論文の概要: A Dynamic Fusion Large Language Model for Traffic Flow Prediction
- arxiv url: http://arxiv.org/abs/2609.11314v1
- Date: Thu, 10 Sep 2026 09:40:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.285364
- Title: A Dynamic Fusion Large Language Model for Traffic Flow Prediction
- Title（参考訳）: 交通流予測のための動的融合大言語モデル
- Abstract要約: 交通流予測はインテリジェント交通システムにおける中核的な支援技術である。
本研究では,交通流予測のための動的融合大言語モデル(DF-LLM)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic flow prediction is a core supporting technology for intelligent transportation systems. It uses historical data to infer future traffic dynamics in specific areas, thereby helping to alleviate congestion and improve resource allocation efficiency. Traditional neural networks struggle to break through accuracy limits due to their reliance on singular feature modeling, while large language models (LLMs) suffer from insufficient capture of spatial topological information and mining spatiotemporal correlation. This study proposes a Dynamic Fusion Large Language Model (DF-LLM) for traffic flow prediction. The model incorporates three core components: spatiotemporal embedding module, spatiotemporal fusion module, and LLM backbone. The spatiotemporal embedding module enables synergistic representation of multi-scale spatiotemporal features. The spatiotemporal fusion module integrates spatial topology and dynamic dependencies via graph convolution. The LLM backbone adopts a differentiated parameter adaptation strategy to balance training efficiency and traffic data adaptability. Additionally, it introduces a context aggregation attention module to strengthens global dependencies. More importantly, the LLM backbone takes the residual connections to mitigate the gradient vanishing in deep networks. Experiments show that DF-LLM has achieved better performance by comparing the metrics on all the four datasets.
- Abstract（参考訳）: 交通流予測はインテリジェント交通システムの中核的な支援技術である。
履歴データを使用して、特定の領域における将来のトラフィックのダイナミクスを推測し、混雑を緩和し、リソース割り当て効率を向上させる。
従来のニューラルネットワークは特異な特徴モデリングに依存しているため、精度の限界を突破するのに苦労する一方、大きな言語モデル(LLM)は空間的トポロジ的情報と時空間的相関の取得が不十分である。
本研究では,交通流予測のための動的融合大言語モデル(DF-LLM)を提案する。
このモデルには、時空間埋め込みモジュール、時空間融合モジュール、LLMバックボーンの3つのコアコンポーネントが含まれている。
時空間埋め込みモジュールは多スケール時空間特徴の相乗的表現を可能にする。
時空間融合モジュールは、グラフ畳み込みを通じて空間トポロジーと動的依存関係を統合する。
LLMバックボーンは、トレーニング効率とトラフィックデータ適応性のバランスをとるために、異なるパラメータ適応戦略を採用している。
さらに、グローバル依存関係を強化するためのコンテキストアグリゲーションアテンションモジュールも導入されている。
さらに重要なことは、LLMバックボーンは、深いネットワークで消滅する勾配を緩和するために残留接続を取ることである。
実験によると、DF-LLMは4つのデータセットのメトリクスを比較することで、より良いパフォーマンスを実現している。
関連論文リスト
- GAMMA-Net: Adaptive Long-Horizon Traffic Spatio-Temporal Forecasting Model based on Interleaved Graph Attention and Multi-Axis Mamba [6.3881766286624115]
グラフ注意ネットワーク(GAT)と選択状態空間モデル(Mamba)を統合する新しいアプローチであるGAMA-Netを導入する。
GATは自己認識機構を使用して、トラフィックネットワーク内のノードの影響を調整し、適応的な空間依存性モデリングを可能にする。
Mambaモジュールは、計算コストを伴わずに、時間的および空間的長期的ダイナミクスを効率的にモデル化する。
論文 参考訳（メタデータ） (2026-04-18T06:14:34Z) - 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) - 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) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - DP-LET: An Efficient Spatio-Temporal Network Traffic Prediction Framework [20.507890525165397]
DP-LETは、効率的な時間的ネットワークトラフィック予測フレームワークである。
DP-LETはデータ処理モジュール、ローカル機能拡張モジュール、トランスフォーマーベースの予測モジュールで構成される。
実世界のセルラートラフィック予測はDP-LETの実用性を示す。
論文 参考訳（メタデータ） (2025-04-04T02:52:43Z) - 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) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-25T03:37:00Z) - 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) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - 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。