論文の概要: A Multi-Resolution Multi-Domain Pre-Training Framework for Universal Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2609.13878v1
• Date: Sat, 12 Sep 2026 11:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.5983
• Title: A Multi-Resolution Multi-Domain Pre-Training Framework for Universal Traffic Forecasting
• Title（参考訳）: ユニバーサルトラフィック予測のためのマルチリゾリューション型マルチドメイン事前学習フレームワーク
• Abstract要約: 既存の事前訓練されたモデルは、しばしば高度に異質なトラフィックデータを扱うために均質なモデリングパラダイムに依存している。 我々は,交通モデリングにモジュール性と適応性を導入する新しい事前学習フレームワークFlexSTを提案する。 23の現実世界のトラフィックデータセットに関する実験では、FlexSTがゼロと数ショット設定で最先端のベースラインを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 27.679556042019076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal traffic data are central to intelligent transportation systems, yet their heterogeneity poses significant challenges for large-scale modeling. Existing pre-trained models often rely on a homogeneous modeling paradigm to handle highly heterogeneous traffic data. This fundamental mismatch not only limits model generalization but also leads to computationally expensive and parameter-inefficient designs. To this end, we propose FlexST, a novel pre-training framework that introduces modularity and adaptivity for traffic modeling. Specifically, we first propose a multi-resolution spatio-temporal diffusion module that captures both short-term fluctuations and long-range trends, effectively reconciling inputs with divergent temporal and spatial resolutions. After that, we construct a domain-adaptive mixture-of-experts that dynamically routes data to specialized sub-networks, enabling selective knowledge transfer while preventing negative interference across diverse domains. Moreover, we devise a unified periodic encoding strategy that injects resolution- and domain-aware inductive biases to harmonize periodic inconsistencies across datasets. Extensive experiments on 23 real-world traffic datasets demonstrate that FlexST significantly outperforms state-of-the-art baselines in zero- and few-shot settings, showcasing superior generalization, adaptability and efficiency. This work offers a new direction for building general-purpose pre-trained models capable of handling the complexity and variability of urban traffic systems.
• Abstract（参考訳）: 時空間の交通データはインテリジェント交通システムの中心であるが、その不均一性は大規模なモデリングに重大な課題をもたらす。 既存の事前訓練されたモデルは、しばしば高度に異質なトラフィックデータを扱うために均質なモデリングパラダイムに依存している。 この基本的なミスマッチはモデル一般化を制限するだけでなく、計算に高価でパラメータ非効率な設計にも繋がる。 この目的のために,交通モデリングにモジュール性と適応性を導入する新しい事前学習フレームワークFlexSTを提案する。 具体的には、まず、短期変動と長距離トレンドの両方を捉え、異なる時間分解能と空間分解能とを効果的に整合する多分解能時空間拡散モジュールを提案する。 その後、特定サブネットワークにデータを動的にルーティングし、多様なドメイン間の負の干渉を防止しつつ、選択的な知識伝達を可能にするドメイン適応型混合処理を構築した。 さらに、データセット間の周期的不整合を調和させるために、分解能とドメイン認識の帰納バイアスを注入する統一された周期的符号化戦略を考案する。 23の現実世界のトラフィックデータセットに対する大規模な実験では、FlexSTはゼロと少数ショット設定で最先端のベースラインを大幅に上回り、優れた一般化、適応性、効率を示す。 この研究は、都市交通システムの複雑さと変動性を扱える汎用事前訓練モデルを構築するための新しい方向性を提供する。

関連論文リスト

• 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)
• HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models [50.18051979020699]
  エンドツーエンドの自動運転は、従来のモジュラーパイプラインに代わる魅力的な代替手段として登場した。 本稿では,計画軌道に関する学習を組織する軌道駆動学習パラダイムを提案する。 一つの統一モデルが、各ドメイン内で強いパフォーマンスを維持しながら、異種データセット上でトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:12:01Z)
• PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting [4.516559054098262]
  本稿では,交通予測を多相コンセンサス学習問題として再検討した,数ショットの交通予測のためのマルチフェーズ・コンセンサスS-テンポラル・フレームワークを提案する。 枠組みは,(1)拡散・同期・スペクトル埋め込みによる交通動態をモデル化し,包括的動的特徴付けを行う多相エンジン,(2)強制しながら位相固有予測を動的に融合する適応型コンセンサス機構,(3)最小限のデータで新しい都市に迅速に適応するための構造化メタラーニング戦略である。
  論文  参考訳（メタデータ） (2026-02-02T10:40:07Z)
• 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)
• 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)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• 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)
• Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework [2.9490249935740573]
  FMPESTF(Fusion Matrix Prompt-Enhanced Self-Attention Space-Temporal Interactive Traffic Forecasting Framework)を提案する。 FMPESTFは、ダウンサンプリングトラフィックデータのための空間的および時間的モジュールで構成されている。 時間モデリングにおける注意機構を導入し,様々な交通シナリオに適応するための階層型時空間対話型学習を設計する。
  論文  参考訳（メタデータ） (2024-10-12T03:47:27Z)
• 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)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• 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。