論文の概要: Spectral Adaptive Graph Transformer for Efficient and Scalable Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2610.25140v1
• Date: Sun, 18 Oct 2026 09:48:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:08:50.855978
• Title: Spectral Adaptive Graph Transformer for Efficient and Scalable Traffic Forecasting
• Title（参考訳）: 高速かつスケーラブルなトラフィック予測のためのスペクトル適応グラフ変換器
• Abstract要約: スペクトルグラフの畳み込みに基づく交通予測モデルは、センサー間の情報の混合方法の解釈可能な説明を提供するが、それらはグラフラプラシアンの固有値に依存している。 本稿では,スペクトル適応型グラフ変換器について紹介する。空間演算子は対称ではなくラプラシアンから導かれるのではなく,静的な状態ではなく現在の交通状態に基づいて学習される。 提案したモデルは,1つのベンチマークで1つのエンド・ツー・エンド・モデルの最小誤差を達成し,現在最強のアテンションモデルと競合し続けている。
• 参考スコア（独自算出の注目度）: 0.7736835937583614
• License:
• Abstract: Traffic forecasting models based on spectral graph convolution offer an interpretable account of how information is mixed between sensors, but they rely on an eigendecomposition of the graph Laplacian. It costs cubic time, is fixed by the road network, and provides a symmetric operator that cannot represent the directed propagation of traffic congestion. Attention-based spatio-temporal transformers remove these limitations but generate a dense sensor-by-sensor attention map at each layer and time step, so memory, rather than accuracy, becomes the binding constraint on large networks. We introduce the spectral adaptive graph transformer, whose spatial operator is learned rather than derived from the Laplacian, directed rather than symmetric, and conditioned on the current traffic state rather than a static state, at a cost linear in the number of sensors. A sparse road graph diffusion branch provides the strictly local propagation that a low-rank operator cannot express, and a zero-initialized gate learns the balance between the two. Before spatial mixing, a unit-mean-gain frequency-bin attention module reweights each sensor's short-term periodicities according to its identity and current context. Across six public benchmarks spanning 170 to 1843 sensors, evaluated over three random seeds, the proposed model attains the lowest error of any single end-to-end model on one benchmark and remains competitive with the strongest current attention models on the others, while using about a quarter of their memory and training about twice as fast.
• Abstract（参考訳）: スペクトルグラフの畳み込みに基づく交通予測モデルは、センサー間の情報の混合方法の解釈可能な説明を提供するが、それらはグラフラプラシアンの固有分解に依存している。 道路網によって固定され、交通渋滞の直接伝播を表現できない対称演算子を提供する。 注意に基づく時空間変換器は、これらの制限を除去するが、各層と時間ステップに高密度なセンサー・バイ・センサ・アテンションマップを生成するため、メモリは精度ではなく、大きなネットワーク上の結合制約となる。 本稿では,空間演算子をラプラシアンから導出するよりもむしろ学習し,静的な状態ではなく現在の交通状態を条件としたスペクトル適応型グラフ変換器を,センサ数に対して低コストで導入する。 スパース道路グラフ拡散枝は、低ランク作用素が表現できない厳密な局所伝播を提供し、ゼロ初期化ゲートは両者のバランスを学習する。 空間混合の前に、単位平均ゲイン周波数ビンアテンションモジュールは、そのアイデンティティと現在の状況に応じて、各センサの短期周期を再重み付けする。 170から1843のセンサーにまたがる6つの公開ベンチマークにおいて、3つのランダムなシードに対して評価され、提案モデルは1つのベンチマークで1つのエンド・ツー・エンドモデルの最小誤差を達成し、他のベンチマークで最強の注目モデルと競合し、メモリの約4分の1を使用し、約2倍の速さでトレーニングを行う。

関連論文リスト

• Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection [5.846071732383721]
  軌道異常検出は不正検出から都市移動分析への応用の基盤となる。 厳密なGPS法は微細な証拠を保存しているが、その二次的なコストは多ヶ月にわたる分析を困難にしている。 視問題として軌跡異常検出を再構成するTITAnD(Trajectory Image Transformer for Anomaly Detection)を提案する。
  論文  参考訳（メタデータ） (2026-03-26T09:59:17Z)
• Incremental Mapping with Measurement Synchronization & Compression [0.0]
  この研究は、連結因子グラフを漸進的に構築する新しいアプローチを導入する。 外部評価基準に基づいて最適なグラフトポロジを選択することにより、利用可能なすべてのセンサデータの取り込みを保証する。 提案手法はグラフ圧縮を容易にし,ノード数(最適化変数)を平均30%削減する。
  論文  参考訳（メタデータ） (2026-02-08T10:43:11Z)
• GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction [0.7605656525323705]
  本稿では,交通流予測における複雑な時間依存性を扱うためのグラフ拡張S時間階層推論ネットワーク(GEnSHIN)を提案する。 公開データセットMETR-LAの実験では、GEnSHINが複数のメトリクスで比較モデルのパフォーマンスを上回ることが示されている。
  論文  参考訳（メタデータ） (2026-01-08T03:27:10Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。