論文の概要: A2TTA: Anchored-and-Agile Test-Time Adaptation for Evolving Traffic Sensor Networks
- arxiv url: http://arxiv.org/abs/2607.25875v1
- Date: Tue, 28 Jul 2026 15:38:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.902562
- Title: A2TTA: Anchored-and-Agile Test-Time Adaptation for Evolving Traffic Sensor Networks
- Title（参考訳）: A2TTA: トラフィックセンサネットワークの進化のためのアンコールとアジャイルのテスト時間適応
- Abstract要約: 既存の交通予測研究は、現実の交通ネットワークの継続的な進化を見越して、固定されたセンサーグラフを仮定している。
我々は、交通センサネットワークの進化のためのAnchored-and-Agile Test-Time AdaptationフレームワークであるA2TTAを提案する。
A2TTAは、トポロジーによる予測誤差を拡張可能な出力校正問題に変換し、テンポラル適応を永続的大域補正に分離する。
- 参考スコア（独自算出の注目度）: 17.160985561061697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic forecasting is important for efficient traffic management and route planning in smart cities. Existing traffic forecasting studies typically assume fixed sensor graphs, overlooking the continuous evolution of real-world traffic networks, e.g., ongoing road network construction and evolving human mobility patterns. These dynamic changes can substantially degrade conventional forecasting models, motivating test-time adaptation (TTA) to efficiently adapt pretrained models during deployment. However, applying TTA to evolving traffic sensor networks remains challenging in two aspects. First, topology expansion introduces new sensors and connections, continuously reshaping the sensor graph. Second, tem- poral shifts vary in time scale and stability, requiring differentiated adaptation to long-term and short-term shifts. In this study, we address these challenges by proposing A2TTA, an Anchored-and-Agile Test-Time Adaptation framework for evolving traffic sensor networks, which transforms topology-induced forecasting errors into an expandable output calibration problem and separates tem- poral adaptation into persistent global correction and agile context-specific specialization. By jointly addressing topology evolution and multi-scale temporal shifts, A2TTA enables efficient and robust adaptation to continuously evolving traffic environments. Extensive experiments on ten real-world traffic networks demonstrate that A2TTA consistently improves forecasting performance across different backbones, datasets, and prediction horizons. Our code is available in https://github.com/lixus7/A2TTA.
- Abstract（参考訳）: 交通予測は、スマートシティにおける効率的な交通管理と経路計画にとって重要である。
既存の交通予測研究は通常、固定されたセンサーグラフを仮定し、現実世界の交通網の継続的な進化、例えば、進行中の道路網の構築、人間の移動パターンの進化を見越す。
これらの動的変更は、従来の予測モデルを大幅に劣化させ、デプロイ中に事前訓練されたモデルを効率的に適応させるために、テスト時間適応(TTA)を動機付ける。
しかし、TTAを交通センサネットワークの進化に適用することは、2つの面において困難である。
まず、トポロジ拡張は新しいセンサーと接続を導入し、センサーグラフを継続的に再構築する。
第2に、テンポラルシフトは時間スケールと安定性が異なり、長期および短期のシフトに異なる適応を必要とする。
本研究では、トポロジによる予測誤差を拡張可能な出力キャリブレーション問題に変換し、テンポラル適応を永続的グローバル修正とアジャイルコンテキスト特化に分離する、交通センサネットワークの進化のためのAnchored-and-Agile Test-Time AdaptationフレームワークであるA2TTAを提案し、これらの課題に対処する。
A2TTAは、トポロジーの進化とマルチスケールの時間シフトに共同で対処することにより、継続的な交通環境への効率的で堅牢な適応を可能にする。
10の現実世界のトラフィックネットワークに関する大規模な実験により、A2TTAは、異なるバックボーン、データセット、予測水平線の予測性能を一貫して改善することを示した。
私たちのコードはhttps://github.com/lixus7/A2TTAで利用可能です。
関連論文リスト
- Exploitation of Hidden Context in Dynamic Movement Forecasting: A Neural Network Journey from Recurrent to Graph Neural Networks and General Purpose Transformers [2.297609455004023]
カルマンフィルタを含む伝統的な手法は、そのようなシナリオに存在する非線形力学をモデル化するのにしばしば苦労する。
長期記憶(LSTM)ネットワーク、グラフニューラルネットワーク(GNN)、トランスフォーマーなどの機械学習手法により、柔軟性と精度が向上する。
本稿では,これらのモデルを評価し,その強みと弱みを評価する。
論文 参考訳（メタデータ） (2026-05-14T14:02:45Z) - GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction [0.7605656525323705]
本稿では,交通流予測における複雑な時間依存性を扱うためのグラフ拡張S時間階層推論ネットワーク(GEnSHIN)を提案する。
公開データセットMETR-LAの実験では、GEnSHINが複数のメトリクスで比較モデルのパフォーマンスを上回ることが示されている。
論文 参考訳（メタデータ） (2026-01-08T03:27:10Z) - 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) - Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting [13.309018047313801]
交通予測はスマートシティの発展において重要な研究分野として浮上している。
最短時間相関のためのネットワークモデリングの最近の進歩は、パフォーマンスのリターンが低下し始めている。
これらの課題に対処するために、時空間グラフ変換器(STGormer)を導入する。
本研究では,その構造に基づく空間符号化手法を2つ設計し,時間位置をバニラ変圧器に統合して時間的トラフィックパターンをキャプチャする。
論文 参考訳（メタデータ） (2024-08-20T13:18:21Z) - Continual Traffic Forecasting via Mixture of Experts [27.20703077756038]
進化するネットワーク下での交通予測のための新しい交通予測混合(TFMoE)を提案する。
主なアイデアは、トラフィックフローを複数の均質なグループに分割し、特定のグループに責任を持つ専門家モデルを割り当てることである。
これにより、各エキスパートモデルは、トレーニング中の専門家間の干渉を最小限にしながら、特定のパターンのセットを学習し、適応することに集中することができる。
論文 参考訳（メタデータ） (2024-06-05T10:51:17Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳（メタデータ） (2022-07-21T10:19:07Z) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳（メタデータ） (2022-02-23T18:23:07Z) - Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional
Network for Traffic Forecasting [0.0]
本稿では,移動基地局のトラフィック動態をモデル化するための新しいディープラーニングネットワークアーキテクチャを提案する。
4つの実世界のデータセットの実験では、AMF-STGCNは最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-11-01T06:47:42Z) - 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。