論文の概要: A Multi-View Coupled Tensor Decomposition for Lightweight Online Adaptive Traffic Prediction

• arxiv url: http://arxiv.org/abs/2608.25498v1
• Date: Wed, 26 Aug 2026 08:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.667177
• Title: A Multi-View Coupled Tensor Decomposition for Lightweight Online Adaptive Traffic Prediction
• Title（参考訳）: 軽量オンライン適応交通予測のためのマルチビュー結合テンソル分解
• Abstract要約: 本稿では,不完全なマルチビュー観測からオンライントラフィック予測を行うためのMVCTDモデルを提案する。 実世界のトラフィックデータセットの実験では、MVCTDは厳しい不足の下で、好ましいランタイムで正確な予測を達成している。
• 参考スコア（独自算出の注目度）: 9.202409218074294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate online traffic prediction is essential for intelligent transportation systems, where forecasting must be performed continuously under imperfect sensing conditions. Missing observations and anomalous disturbances make this task challenging, particularly when prediction relies on a single traffic view. This paper proposes a Multi-View Coupled Tensor Decomposition (MVCTD) model for online traffic prediction from imperfect multi-view observations, such as speed, flow, and occupancy. The proposed model uses coupled tensor decomposition to build a structured latent forecasting space, in which shared spatial structures across traffic views and view-specific temporal dynamics are jointly modeled. A group sparse regularization is further introduced to capture correlated abnormal responses induced by real traffic anomalies and thus reduce their influence on forecasts. For streaming deployment, MVCTD performs iterative refinement only on the current latent tensor, while the remaining model variables are updated by lightweight closed-form steps based on summarized historical information, thereby avoiding repeated optimization over the full historical sequence. Experiments on real-world traffic datasets demonstrate that MVCTD achieves accurate forecasts with favorable runtime under severe missingness, confirming its suitability for online traffic prediction.
• Abstract（参考訳）: 正確なオンライン交通予測は知的交通システムにとって不可欠であり、不完全な検知条件下で予測を継続的に行わなければならない。 異常な観測と異常な障害は、特に予測が単一トラフィックビューに依存する場合、このタスクを難しくする。 本稿では, 速度, 流れ, 占有率などの不完全な多視点観測からオンライン交通予測を行うための多視点結合テンソル分解(MVCTD)モデルを提案する。 提案モデルでは、結合テンソル分解を用いて、トラフィックビューとビュー固有の時間ダイナミクスの共有空間構造を共同でモデル化した構造化潜在予測空間を構築する。 さらにグループスパース正規化を導入し、実際の交通異常によって引き起こされる異常な応答を捕捉し、予測への影響を減少させる。 ストリーミング配信では、MVTDは現在の潜時テンソル上でのみ反復的な改善を行い、残りのモデル変数は、要約された履歴情報に基づいて、軽量なクローズドフォームステップによって更新される。 実世界のトラフィックデータセットに関する実験では、MVCTDが厳しい不足下で、適切なランタイムで正確な予測を達成し、オンライントラフィック予測に適合していることが示されている。

関連論文リスト

• Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting [16.242959582777797]
  正確な予測は、交通事故や規制などの外部要因の複雑な影響によって妨げられる。 グラフの伝播をガイド付き正規化層に統合するフレームワークであるConFormerを提案する。 我々のモデルは予測性能と効率の両方において最先端のSTAEFormerを上回っている。
  論文  参考訳（メタデータ） (2025-12-10T07:50:20Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework [0.30586855806896035]
  交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本稿では,適応的隣接性を利用した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。
  論文  参考訳（メタデータ） (2025-09-15T15:25:43Z)
• 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)
• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• 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)
• A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
  交通流予測のための多チャンネル時空間変圧器モデルを提案する。 トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。 6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-10T06:37:07Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• 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。