Fugu-MT 論文翻訳(概要): Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting

論文の概要: Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting

arxiv url: http://arxiv.org/abs/2609.27637v1
Date: Wed, 23 Sep 2026 10:00:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 00:05:17.973416
Title: Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting
Title（参考訳）: 大規模交通予測のための局所的不均一性と相互関係の学習
Abstract要約: 大規模トラフィック予測には、局所的な空間依存とクロスリージョンコンテキストを共同でモデル化する必要がある。空間依存を2つの相補的な粒度でモデル化する局所領域空間時間ネットワークであるLoReSTを提案する。 LoReSTは大規模道路網における空間依存学習を効果的に行うことができる。
参考スコア（独自算出の注目度）: 15.685765671401107
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic flow forecasting is essential to intelligent transportation systems. Large-scale traffic forecasting requires jointly modeling local spatial dependencies and cross-region context.Spatial dependencies between geographically neighboring nodes are heterogeneous due to differences in road identity and travel direction, while acquiring global information through allpairs node interactions incurs substantial computational costs. Therefore, capturing local heterogeneity while efficiently acquiring long-range context remains an important challenge in largescale traffic forecasting. To address these challenges, we propose LoReST, a Local-Region Spatial Temporal network that models spatial dependencies at two complementary granularities: node neighborhoods and road network regions. Specifically, relation-aware local aggregation captures heterogeneous dependencies within geographic neighborhoods through road and direction specific feature transformations. Cross-region interaction constructs region representations through mean pooling, exchanges long range context via inter-region attention, and broadcasts it back to nodes. By integrating local information aggregation with crossregion interaction, LoReST is able to effectively achieve spatial dependency learning in large-scale road networks. Experiments on four datasets of the LargeST benchmark show average relative reductions of 4.78%, 3.60%, and 5.75% in MAE, RMSE, and MAPE, respectively.
Abstract（参考訳）: 交通流予測はインテリジェント交通システムにとって不可欠である。地理的に隣接するノード間の空間的依存関係は、道路の同一性や走行方向の違いにより不均一であり、一方、オールペアノードの相互作用を通じてグローバル情報を取得することは、かなりの計算コストを発生させる。したがって, 大規模交通予測において, 局所的不均一性を捕捉し, 長期的コンテキストを効率的に獲得することは重要な課題である。これらの課題に対処するために,ノード近傍と道路ネットワーク領域の2つの相補的な粒度で空間依存をモデル化する局所領域空間時空間ネットワークLoReSTを提案する。具体的には,道路および方向特化特徴変換を通じて,地域内の不均一な依存関係を認識できる。クロスリージョンインタラクションは平均プールを通じてリージョン表現を構築し、リージョン間の注意を通じて長距離コンテキストを交換し、ノードにブロードキャストする。局所情報集約とクロスリージョン相互作用を統合することにより,大規模道路網における空間依存学習を効果的に実現することができる。 LargeSTベンチマークの4つのデータセットの実験では、それぞれMAE、RMSE、MAPEの4.78%、3.60%、および5.75%の相対的な減少を示した。

関連論文リスト

Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
論文参考訳（メタデータ） (2026-08-09T07:36:17Z)
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)
MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions [18.883574280859147]
本稿では,新しい道路ネットワーク表現学習フレームワークであるMSRFormerを提案する。空間流の畳み込みを用いて、大きな軌跡データセットから小さな特徴を抽出する。道路ネットワークの空間構造を捉えるために,スケール依存の空間相互作用領域を同定する。
論文参考訳（メタデータ） (2025-09-06T11:19:13Z)
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)
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)
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)
Region2Vec: Community Detection on Spatial Networks Using Graph Embedding with Node Attributes and Spatial Interactions [2.1793134762413437]
本稿では,空間ネットワーク上でのGCNに基づくコミュニティ検出手法「rea2vec」を提案する。提案手法は,共通属性を共有し,空間的相互作用が激しい領域に対して,まずノード埋め込みを生成する。実験の結果,既存の手法が相互に類似性や空間的相互作用を交換する一方で,領域2vecは両者のバランスを保っていることが明らかとなった。
論文参考訳（メタデータ） (2022-10-10T02:32:55Z)
DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
論文参考訳（メタデータ） (2021-12-04T06:51:55Z)
Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
論文参考訳（メタデータ） (2021-07-28T03:46:57Z)
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。