論文の概要: Structure-Guided Spatiotemporal Attention Graph Neural Network for Traffic Flow Prediction

• arxiv url: http://arxiv.org/abs/2608.14177v1
• Date: Fri, 14 Aug 2026 10:46:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.361359
• Title: Structure-Guided Spatiotemporal Attention Graph Neural Network for Traffic Flow Prediction
• Title（参考訳）: 交通流予測のための構造ガイド付き時空間注意グラフニューラルネットワーク
• Abstract要約: 本稿では,SGSAN(Structure-Guided Stemporal Attention Graph Neural Network)を提案する。 我々は,SGSANが交通ネットワーク論理と有機的に整合する組込み解釈性を提供しながら,最先端の予測精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 10.55782327097476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep spatiotemporal models integrating graph convolutions and attention mechanisms have demonstrated excellent performance in network-level traffic flow prediction, owing to their exceptional ability to capture complex spatiotemporal dependencies. Despite their predictive success, deployment of such models in safety-critical urban systems remains constrained by their inherent lack of transparency. Existing post-hoc diagnostic methods often struggle with spurious correlations and fail to unveil the intrinsic decision-making mechanisms governing traffic dynamics, resulting in suboptimal interpretability and limited operational trustworthiness. To address these challenges, this paper proposes the Structure-Guided Spatiotemporal Attention Graph Neural Network (SGSAN). Departing from traditional architectures that rely on unconstrained adaptive graphs, SGSAN explicitly learns a static Directed Dependency Graph (DDG) to identify the invariant macroscopic propagation paths of traffic states. We further introduce an InfoNCE-based soft-coupling mechanism that anchors the model's dynamic spatiotemporal attention to this structural prior, offering a mechanistic account of the model's decision-making process while ensuring robust forecasting by aligning attention-based reasoning with identified macroscopic dependencies and preventing over-reliance on ephemeral local noise. Furthermore, a decoupled two-stage optimization framework is developed to resolve the fundamental conflict between structural discovery and predictive error minimization. Extensive experiments on multiple real-world datasets demonstrate that SGSAN achieves state-of-the-art predictive accuracy while providing built-in interpretability that organically aligns with the physical logic of traffic networks.
• Abstract（参考訳）: グラフ畳み込みとアテンション機構を統合した深部時空間モデルでは,複雑な時空間依存を捕捉する異常な能力のため,ネットワークレベルのトラフィックフロー予測において優れた性能を示した。 予測的な成功にもかかわらず、そのようなモデルの安全クリティカルな都市システムへの展開は、その固有の透明性の欠如によって制約されているままである。 既存のポストホック診断法は、しばしば急激な相関に苦慮し、交通力学を規定する本質的な意思決定メカニズムを明らかにするのに失敗する。 これらの課題に対処するために,SGSAN(Structure-Guided Spatiotemporal Attention Graph Neural Network)を提案する。 制約のない適応グラフに依存する従来のアーキテクチャとは別に、SGSANは静的な指向性グラフ(DDG)を明示的に学習し、トラフィック状態の不変なマクロな伝搬経路を特定する。 さらに,この構造的先行にモデルの動的時空間的注意を固定するInfoNCEベースのソフトカップリング機構を導入し,そのモデルの決定過程の機械的説明を提供するとともに,注意に基づく推論をマクロ的依存関係と整合させ,短命な局所雑音への過度な依存を防止し,ロバストな予測を確実にする。 さらに、構造発見と予測誤差最小化の根本的な矛盾を解決するために、分離された2段階最適化フレームワークを開発した。 複数の実世界のデータセットに対する大規模な実験は、SGSANが最先端の予測精度を達成し、ネットワークの物理論理と有機的に整合する組み込みの解釈可能性を提供することを示した。

関連論文リスト

• GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models [46.28228608289378]
  交通割り当て問題(Traffic Assignment Problem)は、交通計画の基本的だが計算に費用がかかる問題である。 本研究では,ネットワークに依存しない初期化層であるGeometrically Unconstrained Inductive Demand EmbeDdingを提案する。 このフレームワークは、ネットワークスケールに関係なく、入力空間を標準化する。 これは、貨物物流やマルチモーダルネットワーク最適化のような一般化された原点決定空間問題に対して、汎用的な青写真を提供する。
  論文  参考訳（メタデータ） (2026-07-21T16:41:59Z)
• Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection [12.117106433382437]
  本稿では、侵入検知システムのための新しい自己教師付きグラフニューラルネットワーク(GNN)フレームワークを提案する。 提案モデルは,表現学習に忠実な時間的依存関係を提供する実時間スタンプを明示的に活用する。 提案手法は,既存の自己教師付きアプローチを著しく上回り,教師付きGNN手法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-06-15T04:45:41Z)
• Spatio-Temporal Attention Graph Neural Network: Explaining Causalities With Attention [0.0]
  産業制御システムは重要なインフラを支え、サイバー物理的脅威の増大に直面している。 ICSにおける機械学習に基づく異常検出手法は理論性能が優れている。 ICSにおける教師なしおよび説明可能な異常検出のための時空間グラフニューラルネットワーク(STA-GNN)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T11:41:38Z)
• 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)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Probabilistically Rewired Message-Passing Neural Networks [41.554499944141654]
  メッセージパッシンググラフニューラルネットワーク(MPNN)は、グラフ構造化入力を処理する強力なツールとして登場した。 MPNNは、潜在的なノイズや欠落した情報を無視して、固定された入力グラフ構造で動作する。 確率的に再構成されたMPNN(PR-MPNN)を考案し、より有益なものを省略しながら、関連するエッジを追加することを学習する。
  論文  参考訳（メタデータ） (2023-10-03T15:43:59Z)
• ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
  時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。 マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。 実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2023-08-14T23:34:59Z)

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。