論文の概要: Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
- arxiv url: http://arxiv.org/abs/2610.08818v2
- Date: Thu, 08 Oct 2026 14:39:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 16:33:44.543161
- Title: Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
- Title（参考訳）: FUNSの略:LLM-Guided Spatio-Temporal Graph Node Generation for Preecasting Unobserved Node States
- Abstract要約: Forecast Unobserved Node States(FUNS)は、非常に重要な課題である。
従来のモデルは、過去の記録のないノードに遭遇する場合に、歴史的、典型的に依存する。
我々は,Large Language Models (LLM) を意味的ブリッジとして導入し,ノード記述からリッチな意味的観察を抽出するフレームワークであるGenSTを提案する。
6つのトラフィックと2つの非トラフィックデータセットの実験は、ゼロショット予測タスクにおいて、GenSTが既存のベースラインを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 34.47344730840906
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatio-temporal forecasting is a cornerstone of logistics, urban planning, and intelligent transportation systems. However, constrained by deployment costs and maintenance resources, sensor networks often lack comprehensive spatial coverage, rendering Forecast Unobserved Node States (FUNS) a critical yet formidable challenge. Conventional models rely on historical observations and typically falter when encountering nodes without prior records. To address this, we redefine the problem as a conditional generation task on spatio-temporal graphs and propose GenST, a framework that introduces Large Language Models (LLMs) as a semantic bridge, leveraging a pre-trained LLM fine-tuned to extract rich semantic features from node descriptions, such as functional zones and road network structures, to compensate for missing spatio-temporal signals. Specifically, we design a two-stage generative architecture: a Spatio-Temporal VAE first compresses spatio-temporal dynamics into a latent space, followed by a Generative Transformer (GenT) that reconstructs the future states of unobserved nodes from noise, guided by multi-modal conditions including semantics, geographic coordinates, and neighborhood contexts. Experiments on six traffic and two non-traffic datasets show GenST significantly outperforms existing baselines in zero-shot prediction tasks, demonstrating the practical potential of semantic-guided generation for mitigating spatio-temporal data sparsity.
- Abstract（参考訳）: 時空間予測は物流、都市計画、インテリジェント交通システムの基盤となっている。
しかしながら、デプロイメントコストとメンテナンスリソースに制約されているため、センサネットワークには包括的な空間カバレッジが欠如している場合が多いため、Forecast Unobserved Node States(FUNS)は重大な課題である。
従来のモデルは、過去の観測に頼り、通常、以前の記録のないノードに遭遇する際には混乱する。
そこで我々は,時空間グラフの条件生成タスクとして問題を再定義し,Large Language Models (LLM) をセマンティックブリッジとして導入するフレームワークであるGenSTを提案する。
具体的には、2段階の生成アーキテクチャを設計する: 時空間の時空間的ダイナミクスを最初に圧縮し、次に生成変換器(Generative Transformer, GenT)により、観測されていないノードの将来の状態をノイズから再構成し、意味論、座標、周辺文脈などの多モード条件でガイドする。
6つのトラフィックと2つの非トラフィックデータセットの実験により、GenSTはゼロショット予測タスクにおいて既存のベースラインを大幅に上回っており、時空間データ空間を緩和する意味誘導生成の実用的な可能性を示している。
関連論文リスト
- LLM-enhanced spatio-temporal learning for grid-level docked bike sharing demand prediction [1.7403133838762448]
短期の自転車シェアリング需要予測は時空間非定常性によって複雑である。
本研究では,大規模言語モデルを用いて,自由形式の都市テキストを定量的に空間・時間的摂動場に変換するセマンティックショック波機構を駆動するフレームワークを提案する。
動作中のバルセロナバイシングデータセットの実験は、ZI-ASTGCNが確立された神経ベースラインより優れていることを示している。
論文 参考訳（メタデータ） (2026-10-02T12:31:46Z) - 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) - A Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction [33.28893562327803]
RASTは、大規模データセットの効率を維持しながら、優れたパフォーマンスを実現する。
フレームワークは3つの主要な設計で構成されている: 1) 分離された時間的特徴をキャプチャし、Retrieval-Augmented Generation (RAG), 2) 事前訓練されたST-GNNまたは単純な予測子に対応するUniversal Backbone Predict Storeor, 3) 事前訓練されたST-GNNまたは単純な予測子をサポートするUniversal Backbone Predict Storeor。
論文 参考訳（メタデータ） (2025-08-14T10:11:39Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-14T17:51:29Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳（メタデータ） (2021-12-04T06:39:18Z) - Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。
特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。
複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
論文 参考訳（メタデータ） (2021-10-08T11:19:06Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z)
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。