論文の概要: Selective State-Space Neural Tucker Factorization for Temporal-aware Traffic Imputation
- arxiv url: http://arxiv.org/abs/2611.15502v1
- Date: Wed, 11 Nov 2026 14:00:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.160782
- Title: Selective State-Space Neural Tucker Factorization for Temporal-aware Traffic Imputation
- Title(参考訳): 時空間型トラヒックインプットのための選択的状態空間ニューラルタッカーファクトリゼーション
- Abstract要約: 本稿では、ロバストなトラフィックデータ計算のためのS3NTF(Selective State Space Neural Tucker Factorization Model)を提案する。
6つの実際のデータセットの実験により、我々のモデルは精度で既存のモデルより優れていることが示された。
- 参考スコア(独自算出の注目度): 17.46295679787978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal traffic data imputation is a key task of intelligent transportation systems (ITS), and urban traffic data inherently exhibits strong long-term temporal dependencies. Therefore, accurate modeling of these long-term temporal dynamics is the core prerequisite for high fidelity traffic data imputation. However, existing traffic data imputation methods still suffer from inherent limitations in long-sequence modeling, such as gradient vanishing, low efficiency, and insufficient capability to capture long-range temporal correlations. To address these issues, this paper proposes a Selective State Space Neural Tucker Factorization model (S3NTF) for robust traffic data imputation. This model combines the Selective State Space mechanism with Neural Tucker Factorization to capture complex spatial correlations and long-term temporal dynamics. A state space-based time encoder is proposed to effectively extracts long sequence dependencies with linear complexity, while the latent spatiotemporal feature interaction learning module models high-order cross modal interactions based on Tucker decomposition. Extensive experiments on six real traffic datasets have shown that our model outperforms existing models in terms of accuracy.
- Abstract(参考訳): 時空間交通データ計算はインテリジェント交通システム(ITS)の重要な課題であり、都市交通データは本質的に長期の強い依存関係を示す。
したがって、これらの長期時間力学の正確なモデリングは、高忠実度トラフィックデータ計算の核となる前提条件である。
しかし、既存のトラフィックデータ計算手法は、勾配の消滅、低効率、長距離時間相関を捉える能力の不足など、長周期モデリングにおける固有の制限に悩まされている。
これらの問題に対処するため,交通データの堅牢性を考慮したS3NTF(Selective State Space Neural Tucker Factorization Model)を提案する。
このモデルはSelective State SpaceメカニズムとNeural Tucker Factorizationを組み合わせて、複雑な空間相関と長期時間ダイナミクスをキャプチャする。
状態空間に基づく時間エンコーダを提案し、線形複雑性を伴う長周期依存関係を効果的に抽出する一方、潜時時空間特徴量相互作用学習モジュールはタッカー分解に基づく高次クロスモーダル相互作用をモデル化する。
6つの実トラフィックデータセットに対する大規模な実験により、我々のモデルは精度で既存のモデルより優れていることが示された。
関連論文リスト
- Eliminating Propagation Delay: Attention-Based Spatial-Temporal Fusion Graph Convolution Network for Traffic Flow Prediction [21.03782087892017]
我々は,Attention-based Spatial-Temporal Fusion Graph Convolution Network (A-STFGCN) と呼ばれる新しいネットワークを提案する。
本研究では,空間的時間的特徴相関と伝搬遅延を除去した空間的時間的特徴相関を抽出するために,空間的時間的融合ブロックを設計する。
提案手法は,計算効率とデータ利用効率を向上しつつ,全体的な性能を向上する。
論文 参考訳(メタデータ) (2026-07-27T10:55:20Z) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳(メタデータ) (2024-01-29T06:17:23Z) - Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。
本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。
興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks
for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。
既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。
本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-25T03:37:00Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳(メタデータ) (2022-07-22T00:50:39Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。