論文の概要: Spatiotemporal Graph Transformer for Traffic Intelligence in Edge Computing

• arxiv url: http://arxiv.org/abs/2608.04075v1
• Date: Tue, 04 Aug 2026 16:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.542957
• Title: Spatiotemporal Graph Transformer for Traffic Intelligence in Edge Computing
• Title（参考訳）: エッジコンピューティングにおけるトラフィックインテリジェンスのための時空間グラフ変換器
• Abstract要約: トラフィックエッジ予測のための空間的相互作用と時間的依存関係をモデル化するグラフトランスフォーマーフレームワークを提案する。 このフレームワークは、グラフニューラルネットワークを使用してサービス領域間の空間的相関をキャプチャし、Transformerベースの自己アテンションを利用して、歴史的交通観測から長距離時間パターンを学習する。
• 参考スコア（独自算出の注目度）: 3.944882866656941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate traffic forecasting is essential for proactive resource management in edge computing, where service demand evolves dynamically across both space and time. In practical cellular edge systems, traffic exhibits strong spatial correlations among neighboring service regions and long-range temporal dependencies driven by user mobility and application behavior. Existing recurrent forecasting approaches can capture short-term dynamics but often struggle to model long-horizon traffic evolution under non-stationary conditions. To address this challenge, we propose a spatiotemporal graph Transformer framework that jointly models spatial interactions and temporal dependencies for traffic forecasting in edge computing. The framework employs graph neural networks to capture spatial correlations among service regions and leverages Transformer-based self-attention to learn long-range temporal patterns from historical traffic observations. By decoupling spatial representation learning from temporal reasoning, the proposed approach provides an effective mechanism for large-scale spatiotemporal traffic modeling. Extensive experiments on a real-world cellular network dataset demonstrate that the proposed graph Transformer consistently outperforms recurrent graph-based baselines, including GCN-RNN, GCN-LSTM, and GCN-GRU models, across multiple forecasting horizons. The resulting forecasts enable more effective proactive resource provisioning and reduce overload risk compared with reactive management strategies. These results highlight the potential of graph-enhanced attention mechanisms for building intelligent and adaptive edge computing systems.
• Abstract（参考訳）: エッジコンピューティングでは、サービス需要が空間と時間の両方にわたって動的に進化する。 実際のセルラーエッジシステムでは、トラフィックは近隣のサービス領域と、ユーザモビリティとアプリケーション動作によって引き起こされる長距離時間依存性の間に強い空間的相関を示す。 既存のリカレント予測手法は短期的なダイナミクスを捉えることができるが、非定常条件下での長距離交通の進化をモデル化するのに苦労することが多い。 この課題に対処するために、エッジコンピューティングにおけるトラフィック予測のための空間的相互作用と時間的依存関係を共同でモデル化する時空間グラフ変換フレームワークを提案する。 このフレームワークは、グラフニューラルネットワークを使用してサービス領域間の空間的相関をキャプチャし、Transformerベースの自己アテンションを利用して、歴史的交通観測から長距離時間パターンを学習する。 空間表現学習を時間的推論から切り離すことにより,提案手法は大規模時空間交通モデリングに有効なメカニズムを提供する。 実世界のセルラーネットワークデータセットに対する大規模な実験により、提案したグラフトランスフォーマーは、複数の予測地平線を越えて、GCN-RNN、GCN-LSTM、GCN-GRUモデルを含む、連続したグラフベースのベースラインを一貫して上回ることを示した。 その結果得られた予測は、リアクティブ管理戦略と比較して、より効果的なプロアクティブなリソースプロビジョニングとオーバーロードリスクの低減を可能にする。 これらの結果は、インテリジェントで適応的なエッジコンピューティングシステムを構築するためのグラフ強化された注意機構の可能性を強調している。

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)
• 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)
• 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)
• 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)
• Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction [19.88734776818291]
  本稿では,携帯電話のトラフィック予測問題に対処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。 まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。 第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
  論文  参考訳（メタデータ） (2023-02-28T06:46:50Z)
• 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)
• Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
  複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。 既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。 本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
  論文  参考訳（メタデータ） (2022-07-09T19:21:00Z)
• 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)
• 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)
• 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。