論文の概要: ButterMamba: Butterworth-Enhanced Spatial-Temporal Mamba for Efficient Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2608.29658v1
- Date: Sun, 30 Aug 2026 08:46:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.039591
- Title: ButterMamba: Butterworth-Enhanced Spatial-Temporal Mamba for Efficient Traffic Flow Prediction
- Title(参考訳): バターマンバ:効率的な交通流予測のためのバターワース強化時空間マンバ
- Abstract要約: textbfButterMambaは、ステートスペースモデル(SSM)に基づいた、新しく効率的なフレームワークである。
ButterMambaは,(1)高周波ノイズを除去してデータを前処理するButterworth Spectral Filteringモジュール,(2)並列Mambaアーキテクチャを用いて道路網の長距離時間依存性と複雑な空間相関を効率的に捉える空間-テンポラル状態混合器の2つの主要コンポーネントから構成される。
- 参考スコア(独自算出の注目度): 18.6672232773905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate traffic flow prediction is fundamental to intelligent transportation systems, playing a pivotal role in urban mobility optimization and smart city development. While Graph Neural Networks (GNNs) integrated with time series forecasting have emerged as promising solutions, two critical limitations persist: (1) the quadratic complexity of attention-based architectures hinders real-time deployment in large-scale networks, and (2) high-frequency noise in sensor data significantly degrades prediction reliability. These challenges are particularly acute in metropolitan scenarios where both computational efficiency and noise robustness are paramount. To address these limitations, we introduce \textbf{ButterMamba}, a novel and efficient framework based on State Space Models (SSMs). ButterMamba consists of two key components: (1) a Butterworth Spectral Filtering module that preprocesses the data by removing high-frequency noise, allowing the model to focus on significant underlying trends, and (2) a Spatial-Temporal State Mixer that uses a parallel Mamba architecture to efficiently capture both long-range temporal dependencies and complex spatial correlations across the road network. By decoupling noise filtering from spatial-temporal modeling, ButterMamba achieves superior predictive accuracy with linear computational complexity. Extensive experiments on three public datasets demonstrate that ButterMamba not only outperforms existing state-of-the-art models in terms of prediction accuracy but also considerably reduces training time and memory usage.
- Abstract(参考訳): 交通流の正確な予測は、インテリジェント交通システムの基本であり、都市移動最適化とスマートシティ開発において重要な役割を担っている。
時系列予測と統合されたグラフニューラルネットワーク(GNN)は有望なソリューションとして現れてきたが、(1)注意に基づくアーキテクチャの二次的複雑さは大規模ネットワークにおけるリアルタイムデプロイメントを妨げ、(2)センサーデータの高周波ノイズは予測信頼性を著しく低下させる。
これらの課題は、計算効率と雑音の頑健性の両方が最重要である大都市圏では特に深刻である。
これらの制約に対処するために、ステートスペースモデル(SSM)に基づいた、新しく効率的なフレームワークである \textbf{ButterMamba} を紹介する。
ButterMambaは、(1)高周波ノイズを除去してデータを前処理するButterworth Spectral Filteringモジュール、(2)並列のMambaアーキテクチャを用いて道路ネットワーク全体にわたる長距離時間的依存関係と複雑な空間的相関の両方を効率的に捉える空間的・テンポラルな状態ミキサーの2つの重要なコンポーネントから構成される。
空間時間モデルからノイズフィルタリングを分離することにより、ButterMambaは線形計算複雑性に優れた予測精度を実現する。
3つの公開データセットに対する大規模な実験は、ButterMambaが既存の最先端モデルを予測精度で上回るだけでなく、トレーニング時間とメモリ使用量を大幅に削減することを示した。
関連論文リスト
- MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳(メタデータ) (2026-06-22T10:14:06Z) - DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。
このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。
2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
論文 参考訳(メタデータ) (2026-06-05T07:33:57Z) - FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction [5.827179141989176]
交通モデリングには、大規模なセンサネットワーク上での複雑な時間的ダイナミクスと長距離空間予測が必要である。
我々は,統合された状態トラフィック予測のための注意空間モデリングを組み合わせたフレームワークであるFASTを提案する。
FASTは、Transformer-, GNN-, attention-, Mamba-based familyからの強いベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2026-04-15T04:05:10Z) - AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。
提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。
さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文 参考訳(メタデータ) (2026-03-19T03:47:21Z) - ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting [11.796087740391014]
資源制約のあるスーパーコンピュータ環境のための効率的な予測フレームワークASGMambaを提案する。
ASGMambaは、局所スペクトルエネルギーに基づいて動的にノイズをフィルタリングする軽量のAdaptive Spectral Gatingメカニズムを統合している。
9つのベンチマークの実験は、ASGMambaが最先端の精度を達成することを示した。
論文 参考訳(メタデータ) (2026-02-02T05:38:21Z) - A Compute and Communication Runtime Model for Loihi 2 [43.830725925222424]
我々は、IntelのLoihi 2ニューロモルフィックチップに対して、最初のマックスアフィン低バウンドランタイムモデルを導入する。
低バウンドモデルであるにもかかわらず、モデルの推定実行時間と測定実行時間との密接な対応を観察する。
我々のモデルは、Loihi 2の高速アルゴリズムとカーネルの設計を促進するのに役立ちます。
論文 参考訳(メタデータ) (2026-01-15T03:27:47Z) - MMA: A Momentum Mamba Architecture for Human Activity Recognition with Inertial Sensors [6.7394387525196215]
慣性センサーからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティング、モバイルヘルス、環境知能に不可欠である。
モーメントム・マンバ(Momentum Mamba)は、時間ステップ間の情報フローの安定性を改善するために2次ダイナミクスを組み込んだ運動量増強型SSMである。
複数のHARベンチマークの実験では、バニラ・マンバとトランスフォーマーのベースラインの精度、堅牢性、収束速度が一貫した向上を示した。
論文 参考訳(メタデータ) (2025-11-26T16:21:36Z) - STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。
CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。
空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
論文 参考訳(メタデータ) (2024-12-28T08:49:23Z) - PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。
現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。
本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。
我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
論文 参考訳(メタデータ) (2024-12-18T08:35:40Z) - MobileMamba: Lightweight Multi-Receptive Visual Mamba Network [51.33486891724516]
従来の軽量モデルの研究は、主にCNNとTransformerベースの設計に重点を置いてきた。
効率と性能のバランスをとるMobileMambaフレームワークを提案する。
MobileMambaはTop-1で83.6%を達成し、既存の最先端の手法を上回っている。
論文 参考訳(メタデータ) (2024-11-24T18:01:05Z) - MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。
具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。
実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-08-15T02:29:00Z) - ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction [36.89741338367832]
本稿では,変圧器技術とST-Mambaブロックを組み合わせた,革新的な交通流予測モデルST-MambaSyncを紹介する。
我々は、トランスフォーマーフレームワーク内でResNetと統合されたアテンションメカニズムであるMambaメカニズムを採用する先駆者です。
論文 参考訳(メタデータ) (2024-04-24T14:41:41Z) - ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。
提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。
実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
論文 参考訳(メタデータ) (2024-04-20T03:57:57Z)
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。