論文の概要: Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2607.07016v1
• Date: Wed, 08 Jul 2026 05:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.285987
• Title: Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting
• Title（参考訳）: ピークを増強した多モード時空間周波数融合によるセルトラフィック予測
• Abstract要約: 外部コンテキスト情報を統合するマルチモーダルなセルトラフィック予測フレームワークである textbfMSPF-Net を提案する。 MSPF-Netは、時間、空間、スペクトルのトラフィックパターンをキャプチャする時空間周波数トラフィックと、突然のスパイクのバースト認識表現を抽出するピーク拡張モジュールと、都市ニュースストリームをコンテキスト埋め込みに符号化するニュース表現モジュールで構成されている。 Milano TrentoとLTEトラフィックデータセットの実験では、トラフィックのダイナミックス、バーストパターン、ニュースコンテキストシグナルを共同でモデル化することで、予測性能が効果的に向上することを示した。
• 参考スコア（独自算出の注目度）: 16.624441226507926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of cellular network traffic is essential for network planning, resource allocation, and quality-of-service assurance in modern mobile communication systems. Real-world traffic often exhibits bursty endogenous dynamics and disturbances triggered by external urban events, which makes reliable prediction highly challenging. Most existing spatiotemporal traffic forecasting methods primarily focus on intrinsic traffic patterns or structural relationships within a single modality, and rarely model burst behavior together with exogenous contextual signals. To address this issue, we propose \textbf{MSPF-Net}, a multimodal cellular traffic forecasting framework that integrates external contextual information. Specifically, MSPF-Net consists of a Spatiotemporal-Frequency Traffic Encoder for capturing temporal, spatial, and spectral traffic patterns, a Peak Enhancement Module for extracting burst-aware representations of sudden spikes, a News Context Representation Module for encoding urban news streams into exogenous contextual embeddings, and a Dynamic Fusion Prediction Module for adaptively integrating these heterogeneous signals to generate forecasts. Experiments on the Milano, Trento, and LTE traffic datasets demonstrate that jointly modeling traffic dynamics, burst patterns, and news contextual signals can effectively improve forecasting performance.
• Abstract（参考訳）: モバイル通信システムにおけるネットワーク計画,資源配分,品質保証には,セルラーネットワークトラフィックの正確な予測が不可欠である。 現実世界の交通は、しばしば外部の都市イベントによって引き起こされる突発的な内因性ダイナミクスや乱れを示すため、信頼性の高い予測は非常に困難である。 既存の時空間交通予測手法は、主に1つのモード内の固有の交通パターンや構造的関係に注目しており、外生的文脈信号とともにバースト挙動をモデル化することは稀である。 この問題に対処するために,外部コンテキスト情報を統合するマルチモーダルなセルトラフィック予測フレームワークである \textbf{MSPF-Net} を提案する。 具体的には、時空間およびスペクトルのトラフィックパターンをキャプチャする時空間トラフィックエンコーダと、急激なスパイクのバースト認識表現を抽出するピーク拡張モジュールと、都市ニュースストリームを外因的なコンテキスト埋め込みに符号化するニュースコンテキスト表現モジュールと、これらの異種信号を適応的に統合して予測を生成するダイナミックフュージョン予測モジュールとから構成される。 Milano、Trento、LTEのトラフィックデータセットの実験では、トラフィックのダイナミックス、バーストパターン、ニュースコンテキスト信号の併用モデリングが予測性能を効果的に向上することを示した。

関連論文リスト

• GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction [9.622104744379675]
  時空間モデリングと時間周波数解析を統合したセルトラフィック予測フレームワークを提案する。 本稿では,交通量に基づいて誤差ペナルティを調整する適応スケールのロゴシュ損失関数を提案する。 3つのオープンソースデータセットの実験により,提案手法は最先端の手法よりも予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2026-02-06T16:21:06Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting [37.33982103558488]
  我々は新しいモデル、Stemporal-Aware Trend-Seasonality Decomposition Network (STDN)を導入する。 STDNはグラフ内の異なる時間で各トラフィックノードのトレンド循環成分と季節成分を分離する。 実世界の交通データセットで行った実験は、STDNが顕著なコストで優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-02-17T03:29:02Z)
• SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
  本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。 各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。 大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-01-07T09:09:50Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
  FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。 時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
  論文  参考訳（メタデータ） (2024-10-12T03:47:27Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。