論文の概要: Scene-Conditioned Relation Routing for urban cellular activity forecasting

• arxiv url: http://arxiv.org/abs/2609.20209v1
• Date: Sat, 25 Jul 2026 15:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.635793
• Title: Scene-Conditioned Relation Routing for urban cellular activity forecasting
• Title（参考訳）: 都市セル活動予測のためのシーンコンディション付き関係ルーティング
• Abstract要約: 都市活動予測には、SMSの利用、モバイルネットワークトラフィック、通話活動を含む異種信号を共同でモデル化する必要がある。 SCRR-Netは,都市環境情報が空間依存の選択とタスク間の知識伝達を協調的に制御する,シーン条件付き空間関係ルーティングフレームワークである。 MilanoとTrentoのデータセットの実験では、SCRR-NetはSMS、ネットワークトラフィック、コールアクティビティ予測の競合メソッドよりも一貫して優れており、解釈可能なルーティング動作を提供している。
• 参考スコア（独自算出の注目度）: 11.27306219085324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban cellular activity forecasting requires jointly modeling heterogeneous spatiotemporal signals, including SMS usage, mobile network traffic, and call activity. Existing methods often separate temporal modeling, spatial relation learning, and multi-signal prediction, relying on fixed graph structures or static multi-task learning schemes, which limits their adaptability to changing urban scenes. We propose SCRR-Net, a scene-conditioned spatial relation routing framework in which urban contextual information jointly controls spatial dependency selection and cross-task knowledge transfer. SCRR-Net includes a context encoder, a spatial graph expert routing module, a temporal Transformer encoder, and a task knowledge routing module. Experiments on the Milano and Trento datasets demonstrate that SCRR-Net consistently outperforms competing methods on SMS, network traffic, and call activity forecasting, while providing interpretable routing behaviors.
• Abstract（参考訳）: 都市部のセルラー活動予測には、SMSの利用、モバイルネットワークのトラフィック、通話活動を含む異種時空間信号の連成モデリングが必要である。 既存の手法は、時間的モデリング、空間的関係学習、多信号予測を分離し、固定されたグラフ構造や静的なマルチタスク学習方式に依存し、都市環境の変化への適応性を制限している。 SCRR-Netは,都市環境情報が空間依存の選択とタスク間の知識伝達を協調的に制御する,シーン条件付き空間関係ルーティングフレームワークである。 SCRR-Netは、コンテキストエンコーダ、空間グラフ専門家ルーティングモジュール、時間変換器エンコーダ、タスク知識ルーティングモジュールを含む。 MilanoとTrentoのデータセットの実験では、SCRR-NetはSMS、ネットワークトラフィック、コールアクティビティ予測の競合メソッドよりも一貫して優れており、解釈可能なルーティング動作を提供している。

関連論文リスト

• Spatiotemporal Graph Transformer for Traffic Intelligence in Edge Computing [3.944882866656941]
  トラフィックエッジ予測のための空間的相互作用と時間的依存関係をモデル化するグラフトランスフォーマーフレームワークを提案する。 このフレームワークは、グラフニューラルネットワークを使用してサービス領域間の空間的相関をキャプチャし、Transformerベースの自己アテンションを利用して、歴史的交通観測から長距離時間パターンを学習する。
  論文  参考訳（メタデータ） (2026-08-04T16:37:09Z)
• Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting [16.624441226507926]
  外部コンテキスト情報を統合するマルチモーダルなセルトラフィック予測フレームワークである textbfMSPF-Net を提案する。 MSPF-Netは、時間、空間、スペクトルのトラフィックパターンをキャプチャする時空間周波数トラフィックと、突然のスパイクのバースト認識表現を抽出するピーク拡張モジュールと、都市ニュースストリームをコンテキスト埋め込みに符号化するニュース表現モジュールで構成されている。 Milano TrentoとLTEトラフィックデータセットの実験では、トラフィックのダイナミックス、バーストパターン、ニュースコンテキストシグナルを共同でモデル化することで、予測性能が効果的に向上することを示した。
  論文  参考訳（メタデータ） (2026-07-08T05:17:48Z)
• 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 Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting [0.0]
  パターンと空間モジュールからなるパターン空間の対話型融合フレームワークを提案する。 空間モジュールでは,メッセージパッシングに基づくグラフ畳み込みネットワークを設計した。 このネットワークは、地域特性バンクを活用して、データ駆動型メッセージパッシングを再構築するように設計されている。
  論文  参考訳（メタデータ） (2025-08-30T14:39:02Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。