論文の概要: MambaLSTM: A Spatio-Temporal Framework for Enhanced Traffic Accident Risk Prediction

• arxiv url: http://arxiv.org/abs/2607.18353v1
• Date: Mon, 20 Jul 2026 09:17:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.196532
• Title: MambaLSTM: A Spatio-Temporal Framework for Enhanced Traffic Accident Risk Prediction
• Title（参考訳）: MambaLSTM: 交通事故リスク予測のための時空間フレームワーク
• Abstract要約: 本稿では,新しい交通事故リスク予測フレームワークであるMambaLSTMを提案する。 まず,時間情報の整合性を損なうことなく時間情報を統合するための時空間加群融合を開発する。 次に,空間隣接領域間の意味的関係を効果的に把握するためのパッチ埋め込みモジュールを提案する。 第3に,動的リスクパターンを特定するために,長期的および短期的依存関係を効率的に捕捉するMambaLSTMユニットを提案する。
• 参考スコア（独自算出の注目度）: 6.975587923553975
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In traffic accident risk prediction, most studies overlook the extra noise that could be incorporated when fusing temporal features into spatial features, and some models struggle to capture global correlations among spatial regions. To address these challenges, we propose a novel traffic accident risk prediction framework named MambaLSTM. First, we develop a squeeze-and-excitation temporal feature fusion module to integrate temporal information without compromising spatio-temporal integrity. Second, we introduce a new patch embedding module for effectively capturing semantic relationships among spatially adjacent regions. Additionally, we introduce a Mamba block based on state-space models to model global spatial semantics in urban regions. Finally, we propose a MambaLSTM unit to efficiently capture long- and short-term temporal dependencies for identifying dynamic risk patterns. Extensive experiments on real-world datasets demonstrate the proposed model's superiority over state-of-the-art methods. The code is released at https://github.com/Zhenzovo/MambaLSTM.
• Abstract（参考訳）: 交通事故リスク予測において、ほとんどの研究は時間的特徴を空間的特徴に融合する際の余分なノイズを無視し、いくつかのモデルは空間的領域間のグローバルな相関を捉えるのに苦労する。 これらの課題に対処するため,新しい交通事故リスク予測フレームワークであるMambaLSTMを提案する。 まず,時空間整合性を損なうことなく時間情報を統合するための時空間情報融合モジュールを開発する。 次に,空間隣接領域間の意味的関係を効果的に把握するパッチ埋め込みモジュールを提案する。 さらに,都市域における大域的空間意味論をモデル化するための状態空間モデルに基づくマンバブロックを導入する。 最後に、動的リスクパターンを特定するために、長期的および短期的依存関係を効率的に捕捉するMambaLSTMユニットを提案する。 実世界のデータセットに関する大規模な実験は、提案されたモデルが最先端の手法よりも優れていることを示す。 コードはhttps://github.com/Zhenzovo/MambaLSTMで公開されている。

関連論文リスト

• A Dynamic Fusion Large Language Model for Traffic Flow Prediction [0.0]
  交通流予測はインテリジェント交通システムにおける中核的な支援技術である。 本研究では,交通流予測のための動的融合大言語モデル(DF-LLM)を提案する。
  論文  参考訳（メタデータ） (2026-09-10T09:40:21Z)
• FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction [5.827179141989176]
  交通モデリングには、大規模なセンサネットワーク上での複雑な時間的ダイナミクスと長距離空間予測が必要である。 我々は,統合された状態トラフィック予測のための注意空間モデリングを組み合わせたフレームワークであるFASTを提案する。 FASTは、Transformer-, GNN-, attention-, Mamba-based familyからの強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-15T04:05:10Z)
• TSkel-Mamba: Temporal Dynamic Modeling via State Space Model for Human Skeleton-based Action Recognition [59.99922360648663]
  TSkel-Mambaは、空間力学と時間力学の両方を効果的に捉えるハイブリッドトランスフォーマー-Mambaフレームワークである。 MTIモジュールはマルチスケールのCycle演算子を使用して、チャネル間の時間的相互作用をキャプチャする。
  論文  参考訳（メタデータ） (2025-12-12T11:55:16Z)
• MambaTAD: When State-Space Models Meet Long-Range Temporal Action Detection [94.12444452690329]
  本稿では,長距離モデリングとグローバル機能検出機能を導入した新しい状態空間TADモデルであるMambaTADを提案する。 MambaTADは、複数の公開ベンチマークで一貫して優れたTAD性能を達成する。
  論文  参考訳（メタデータ） (2025-11-22T06:04:29Z)
• Gather-Scatter Mamba: Accelerating Propagation with Efficient State Space Model [15.551773379039675]
  ステート・スペース・モデル(SSM)は歴史的にシーケンシャル・モデリングにおいて中心的な役割を果たしてきた。 Mambaのような選択型SSMの最近の進歩は、魅力的な代替手段を提供する。 本研究では,空間的コンテキストアグリゲーションのためのシフトウィンドウ自己アテンションと,効率的な時間的伝搬のためのマンバ型選択走査を組み合わせたハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-01T13:11:13Z)
• EventMamba: Enhancing Spatio-Temporal Locality with State Space Models for Event-Based Video Reconstruction [66.84997711357101]
  EventMambaは、イベントベースのビデオ再構成タスク用に設計された、特殊なモデルである。 EventMambaは、Transformerベースの方法と比較して、優れた視覚的品質を提供しながら、スピードを著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-25T14:46:45Z)
• MambaFlow: A Novel and Flow-guided State Space Model for Scene Flow Estimation [5.369567679302849]
  本稿では,マンバに基づくデコーダを用いたシーンフロー推定ネットワークであるマンバを提案する。 MambaFlowは、既存の作業間でリアルタイム推論速度で最先端のパフォーマンスを実現する。 Argoverse 2ベンチマークの実験は、MambaFlowがリアルタイムの推論速度で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-02-24T07:05:49Z)
• STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
  ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。 CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。 空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T08:49:23Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
  本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。 具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。 実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-08-15T02:29:00Z)
• RSCaMa: Remote Sensing Image Change Captioning with State Space Model [29.945966783242337]
  リモートセンシング画像変化キャプション(RSICC)は、言語における多時間リモートセンシング画像間の表面的変化を記述することを目的としている。 これは、時間的特徴の空間的および時間的モデリングに挑戦する。 本稿では,複数のCaMa層を通した空間空間空間モデリングを効率的に行う新しいRSCaMaモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-29T17:31:00Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)

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。