論文の概要: General Semantic Knowledge Infusion for Spatio-Temporal Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2608.17440v1
- Date: Tue, 18 Aug 2026 07:19:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.238924
- Title: General Semantic Knowledge Infusion for Spatio-Temporal Traffic Forecasting
- Title（参考訳）: 時空間交通予測のための一般意味知識注入
- Abstract要約: 本稿では,様々な形態の知識を取り入れた時間的予測フレームワークを提案する。
一般的な知識グラフ(例えばWikidata)は、交通センサに関する意味的なサブグラフを作成するために使われる。
埋め込みは従来の交通センサグラフと融合して追加の隣接行列を提供する。
- 参考スコア（独自算出の注目度）: 3.4649938800811664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although Graph Neural Networks (GNNs) have made significant advances in spatio-temporal traffic forecasting, their performance is limited when they rely solely on sensor proximity or road-network topology. This paper presents a spatio-temporal prediction framework, developed to incorporate knowledge in various forms. This framework aims to improve sensor-level, contextual understanding of the environment. A general-purpose knowledge graph (e.g., Wikidata) is used to create semantic subgraphs around traffic sensors and generate knowledge graph embeddings that capture meaningful relationships, such as nearby points of interest, administrative hierarchies, and the functional roles of locations. These embeddings are then fused with conventional traffic sensor graphs to provide additional adjacency matrices informed by semantics. This allows GNNs to learn the semantic context beyond physical connectivity. This study differs from previous research in two key ways. Firstly, rather than proposing a novel GNN architecture, it demonstrates the general impact of external knowledge on prediction accuracy. Secondly, experiments with well-established traffic forecasting approaches show that external knowledge provides additional information that street network data alone cannot convey. The results show that integrating data from general-purpose knowledge graphs and sensor networks through data fusion can enhance the prediction accuracy of traffic forecasting models, and offers a potential pathway toward improved interpretability.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は時空間トラフィック予測において大きな進歩を遂げているが,センサ近接性や道路ネットワークトポロジのみに依存する場合,その性能は限られている。
本稿では,様々な形態の知識を取り入れた時空間予測フレームワークを提案する。
このフレームワークは、環境のセンサレベル、文脈的理解を改善することを目的としている。
一般的な知識グラフ(Wikidataなど)は、交通センサに関するセマンティックなサブグラフを作成し、近隣の関心点や行政階層、場所の機能的役割など、意味のある関係を捉えた知識グラフの埋め込みを生成する。
これらの埋め込みは従来の交通センサグラフと融合し、セマンティクスによって情報を得る付加的な隣接行列を提供する。
これにより、GNNは物理的なコネクティビティを超えたセマンティックコンテキストを学習することができる。
この研究は、以前の研究と2つの重要な点で異なる。
第一に、新しいGNNアーキテクチャを提案するのではなく、予測精度に対する外部知識の一般的な影響を示す。
第二に、確立された交通予測手法による実験は、外部知識がストリートネットワークデータだけでは伝えられない追加情報を提供することを示している。
その結果,データ融合による汎用知識グラフやセンサネットワークからのデータの統合により,交通予測モデルの予測精度が向上し,解釈可能性向上への道筋が示唆された。
関連論文リスト
- Link prediction on multi-relational graphs from an influence propagation perspective [51.14502982773836]
マルチリレーショナルグラフにおけるノード間のリンク(エッジ)の存在とタイプを予測することは、社会的相互作用の予測から知識関係の同定まで、応用の鍵となる。
ノード間の関係をノードの影響としてモデル化することで、この問題に対処する。
本稿では,インフルエンシャルグラフニューラル予測器IGNPを提案する。
論文 参考訳（メタデータ） (2026-08-05T16:21:46Z) - 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) - Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。
その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文 参考訳（メタデータ） (2024-09-25T00:59:23Z) - Towards Consistent and Explainable Motion Prediction using Heterogeneous Graph Attention [0.17476232824732776]
本稿では,予測軌道を実際の地図に投影する改良モジュールを提案する。
また,エージェントと環境のすべての関係を単一の統合グラフアテンションネットワークで処理する新しいシーンエンコーダを提案する。
論文 参考訳（メタデータ） (2024-05-16T14:31:15Z) - nuScenes Knowledge Graph -- A comprehensive semantic representation of
traffic scenes for trajectory prediction [6.23221362105447]
交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。
車両の走行経路、道路トポロジー、車線分割器、交通規則など、文脈情報を考慮することが重要である。
本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T10:40:34Z) - Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。
本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。
予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-26T04:47:28Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network
for Traffic Forecasting [8.490904938246347]
本研究では,時空間グラフ畳み込みネットワークに基づく知識表現型交通予測手法を提案する。
まず,交通予測のための知識グラフを構築し,KR-EARという知識表現学習手法を用いて知識表現を導出する。
そこで我々は,空間時間グラフ畳み込みバックボーンネットワークの入力として,知識とトラフィックの特徴を組み合わせた知識融合セル(KF-Cell)を提案する。
論文 参考訳（メタデータ） (2020-11-26T14:15:52Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。