論文の概要: Disentangling Heterogeneous Traffic Dynamics for Multi-Step Traffic Forecasting via Adaptive Spectral Decomposition

• arxiv url: http://arxiv.org/abs/2609.25777v1
• Date: Tue, 22 Sep 2026 07:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.263612
• Title: Disentangling Heterogeneous Traffic Dynamics for Multi-Step Traffic Forecasting via Adaptive Spectral Decomposition
• Title（参考訳）: 適応スペクトル分解によるマルチステップ交通予測のための異種交通ダイナミクス
• Abstract要約: 本稿では,トラフィックのダイナミクスを支配的および残留的コンポーネントに適応的に分散させる,コンポーネント固有の予測フレームワークを提案する。 ADNetは学習可能な相補的なスペクトル分解機構を導入し、各周波数ビンの2つの成分への寄与を決定する。 TraffiDentデータセットのアラメダ地域とオレンジ地域での実験は、ADNetが報告された24の地域-水平距離の比較のうち20の最高性能を達成したことを示している。
• 参考スコア（独自算出の注目度）: 8.346462795989458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate multi-step traffic forecasting remains challenging because observed traffic signals contain heterogeneous temporal dynamics with different characteristics and levels of predictability. Existing approaches typically model these dynamics within a unified representation or rely on predefined decomposition rules, which may limit their ability to flexibly separate persistent patterns from rapidly varying fluctuations. To address this issue, we propose the Adaptive Decomposition Network (ADNet), a component-specific forecasting framework that adaptively disentangles traffic dynamics into dominant and residual components. ADNet introduces a learnable complementary spectral decomposition mechanism that determines the contribution of each frequency bin to the two components. Unlike hard frequency partitioning, every frequency bin can contribute to both components with different learned proportions, allowing the decomposition to be optimized jointly with the forecasting objective. The reconstructed components are then modeled by two dedicated spatiotemporal forecasting branches, and their predictions are integrated to generate the final multi-step forecast. Experiments on the Alameda and Orange regions of the TraffiDent dataset show that ADNet achieves the best performance in 20 of the 24 reported region-horizon-metric comparisons, with particularly clear gains at longer forecasting horizons. Capacity-controlled ablation experiments further show that the learnable decomposition substantially outperforms a fixed decomposition and provides additional improvements beyond the dual-branch architecture alone. These results demonstrate the effectiveness of adaptive decomposition and component-specific modeling for multi-step traffic forecasting.
• Abstract（参考訳）: 観測された交通信号には、異なる特性と予測可能性のレベルを持つ異種時間的ダイナミクスが含まれているため、正確な多段階交通予測は依然として困難である。 既存のアプローチでは、一般的にこれらのダイナミクスを統一された表現内でモデル化するか、事前定義された分解ルールに依存しているため、持続的なパターンを急速に変化する変動から柔軟に分離する能力を制限する可能性がある。 この問題に対処するために、トラフィックのダイナミクスを支配的および残留的なコンポーネントに適応的に分散する、コンポーネント固有の予測フレームワークであるAdaptive Decomposition Network (ADNet)を提案する。 ADNetは学習可能な相補的なスペクトル分解機構を導入し、各周波数ビンの2つの成分への寄与を決定する。 ハード周波数分割とは異なり、各周波数ビンは異なる学習率で両方の成分に寄与し、分解を予測対象と共同で最適化することができる。 再構成されたコンポーネントは2つの専用の時空間予測枝によってモデル化され、その予測は最終多段階予測を生成するために統合される。 TraffiDentデータセットのアラメダ地域とオレンジ地域での実験により、ADNetは、報告された24の地域-水平距離の比較のうち20の最高性能を達成した。 キャパシティ制御されたアブレーション実験により、学習可能な分解は、固定された分解よりも大幅に優れており、デュアルブランチアーキテクチャ以外にもさらなる改善が提供されることが示された。 これらの結果から,多段階交通予測における適応分解とコンポーネント固有モデリングの有効性が示された。

関連論文リスト

• Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis [2.3799118675414226]
  本稿では、テンソル因子化生成モデルと構造化前処理を組み合わせた空間変動テンソル分解(ST-VTD)フレームワークを提案する。 提案手法は,古典的および確率的分解ベンチマークと比較して遅延係数の回復率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-07-24T12:55:09Z)
• 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)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Probability-Conserving Flow Guidance [49.03107678763765]
  Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。 画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
  論文  参考訳（メタデータ） (2026-05-19T16:34:01Z)
• Statistical benchmarking of transformer models in low signal-to-noise time-series forecasting [0.0]
  時間的・横断的な自己注意を交互に行う双方向アテンショントランスフォーマーは,標準ベースラインより優れていることを示す。 また、トレーニング中に適用された注意行列の動的スペーシフィケーション手法を導入し、ノイズの多い環境において顕著に有効であることを示す。
  論文  参考訳（メタデータ） (2026-02-10T15:13:57Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
  時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。 本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
  論文  参考訳（メタデータ） (2025-11-06T15:19:23Z)
• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)

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。