論文の概要: Neural Architecture Search for Traffic Prediction: A Survey of Methods, Challenges, and Future Directions

• arxiv url: http://arxiv.org/abs/2607.26467v1
• Date: Wed, 29 Jul 2026 04:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.541735
• Title: Neural Architecture Search for Traffic Prediction: A Survey of Methods, Challenges, and Future Directions
• Title（参考訳）: 交通予測のためのニューラルアーキテクチャサーチ:手法,課題,今後の方向性の調査
• Abstract要約: 交通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タスクであり、適応的な信号制御、経路案内、配車サービスといった応用をサポートする。 グラフ畳み込みネットワーク、リカレントネットワーク、トランスフォーマーを含むディープラーニングモデルは、標準ベンチマークで強力な結果を得るが、それらのアーキテクチャは手動で設計されている。 ニューラルアーキテクチャサーチ(NAS)は、手動設計の体系的な代替手段を提供する。これは、ディープラーニングモデルの候補アーキテクチャを自動で探索し、手動の試行錯誤なしに交通データの時空間構造に一致する設計を見つける。
• 参考スコア（独自算出の注目度）: 4.52499300581751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic prediction is a core task in intelligent transportation systems, supporting applications such as adaptive signal control, route guidance, and ride-hailing dispatch. Deep learning models, including graph convolutional networks, recurrent networks, and Transformers, achieve strong results on standard benchmarks, but their architectures are designed by hand, requiring significant expert effort and producing models that often generalize poorly across cities and datasets. Neural Architecture Search (NAS) offers a systematic alternative to manual design. It automates the search over candidate architectures of deep learning models, finding designs that match the spatial-temporal structure of traffic data without manual trial and error. This survey reviews NAS methods applied to traffic prediction, organized by search strategy: gradient-based methods, evolutionary methods, and one-shot weight-sharing methods. For each category, we analyze how the search space is designed to cover spatial and temporal traffic operators, and how the search strategy balances cost against architecture quality. We also discuss open challenges, computational scalability to large road networks, manual search space design, cross-city generalization, dynamic graph structure, and the open question of NAS for spatial-temporal foundation models, and identify directions for future research.
• Abstract（参考訳）: 交通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タスクであり、適応的な信号制御、経路案内、配車サービスといった応用をサポートする。 グラフ畳み込みネットワーク、リカレントネットワーク、トランスフォーマーを含むディープラーニングモデルは、標準的なベンチマークで強力な結果を得るが、それらのアーキテクチャは手作業で設計されており、かなりの専門的な努力を必要とし、しばしば都市やデータセットをまたいだ不適切な一般化モデルを生成する。 Neural Architecture Search (NAS)は、手動設計の体系的な代替手段を提供する。 ディープラーニングモデルの候補アーキテクチャの探索を自動化し、手動による試行錯誤なしに交通データの時空間構造に一致する設計を見つける。 本調査では, 勾配法, 進化法, ワンショットウェイトシェアリング法など, 探索戦略によって編成された交通予測に適用されるNAS手法について検討する。 各カテゴリにおいて,空間的および時間的トラフィック演算子をカバーするために検索空間がどのように設計されているか,また,検索戦略がアーキテクチャ品質とコストのバランスをとるかを分析する。 また,大規模道路網への計算スケーラビリティ,手動検索空間設計,都市間一般化,動的グラフ構造,空間時空間基礎モデルにおけるNASの開放的問題,今後の研究の方向性について論じる。

関連論文リスト

• 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)
• FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting [14.157362071187897]
  都市化が進むにつれ、交通渋滞が増大し、信頼性と応答性のある予測モデルの必要性が強調された。 ディープラーニング、特にグラフニューラルネットワーク(GNN)は、トラフィック予測の主流パラダイムとして現れています。 これらのアプローチには、洗練されたグラフ畳み込み構造と時間的モデリング機構が組み込まれている。
  論文  参考訳（メタデータ） (2025-10-16T19:33:43Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting [14.885921562410564]
  STHODE: S-Temporal Hypergraph Neural Ordinary Differential Equation Networkを提案する。 ロードネットワークトポロジとトラフィックダイナミクスを組み合わせて、トラフィックデータの高次時間依存性をキャプチャする。 4つの実世界の交通データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-24T13:49:13Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
  本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。 次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。 ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
  論文  参考訳（メタデータ） (2023-07-02T06:56:52Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey [19.58023036416987]
  本稿では,多くのトラフィックアプリケーションにおけるグラフベースのディープラーニングアーキテクチャについて検討する。 まず、まず、グラフに基づいて交通問題を定式化し、様々なトラフィックデータセットからグラフを構築するためのガイドラインを提示する。 次に、これらのグラフベースのアーキテクチャを分解して、共有ディープラーニング技術について議論する。
  論文  参考訳（メタデータ） (2020-05-24T09:07:55Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。