arXiv:2602.14049v3 cs.LG

UniST-Pred: 인프라 장애 상황의 교통망에서 시공간 교통 예측을 위한 강건한 통합 프레임워크

UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions

Yue Wang, Djellel Difallah, Areg Karapetyan, Samer Madanat

제출 2026-02-15

한국어 초록

시공간 교통 예측은 지능형 교통 시스템의 핵심 구성 요소로서, 신호 제어 및 네트워크 수준의 교통 관리와 같은 다양한 다운스트림 작업을 지원합니다. 실제 배포 환경에서 예측 모델은 구조적 및 관측적 불확실성 하에서 작동해야 하지만, 이러한 조건은 모델 설계 시 거의 고려되지 않습니다. 최근의 접근 방식들은 공간 및 시간 모델링을 긴밀하게 결합하여 우수한 단기 예측 성능을 달성하지만, 종종 복잡성이 증가하고 모듈성이 제한되는 대가를 치릅니다. 반면, 효율적인 시계열 모델은 명시적인 네트워크 구조에 의존하지 않고도 장기 시간적 의존성을 포착합니다. 본 논문에서는 먼저 시간 모델링을 공간 표현 학습과 분리한 후 적응형 표현 수준 융합을 통해 둘을 통합하는 시공간 예측 프레임워크인 UniST-Pred를 제안합니다. 제안된 접근 방식의 강건성을 평가하기 위해 에이전트(agent) 기반 미시적 교통 시뮬레이터(MATSim)를 기반으로 데이터셋을 구축하고 심각한 네트워크 단절 시나리오에서 UniST-Pred를 평가합니다. 또한 표준 교통 예측 데이터셋에서 UniST-Pred를 벤치마킹하여 경량화된 설계에도 불구하고 기존의 잘 확립된 모델 대비 경쟁력 있는 성능을 입증합니다. 결과는 UniST-Pred가 실제 데이터셋과 시뮬레이션 데이터셋 모두에서 강력한 예측 성능을 유지하는 동시에, 인프라 장애 상황에서도 해석 가능한 시공간 표현을 생성함을 보여줍니다. 소스 코드와 생성된 데이터셋은 https://anonymous.4open.science/r/UniST-Pred-EF27 에서 확인할 수 있습니다.

원문 초록

Spatio-temporal traffic forecasting is a core component of intelligent transportation systems, supporting various downstream tasks such as signal control and network-level traffic management. In real-world deployments, forecasting models must operate under structural and observational uncertainties, conditions that are rarely considered in model design. Recent approaches achieve strong short-term predictive performance by tightly coupling spatial and temporal modeling, often at the cost of increased complexity and limited modularity. In contrast, efficient time-series models capture long-range temporal dependencies without relying on explicit network structure. We propose UniST-Pred, a unified spatio-temporal forecasting framework that first decouples temporal modeling from spatial representation learning, then integrates both through adaptive representation-level fusion. To assess robustness of the proposed approach, we construct a dataset based on an agent-based, microscopic traffic simulator (MATSim) and evaluate UniST-Pred under severe network disconnection scenarios. Additionally, we benchmark UniST-Pred on standard traffic prediction datasets, demonstrating its competitive performance against existing well-established models despite a lightweight design. The results illustrate that UniST-Pred maintains strong predictive performance across both real-world and simulated datasets, while also yielding interpretable spatio-temporal representations under infrastructure disruptions. The source code and the generated dataset are available at https://anonymous.4open.science/r/UniST-Pred-EF27

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2602.14049v3

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.30995v2cs.LG공통 태그 Representation Learning, Time Series Forecasting

기후 모델에서 강제력이 기온에 미치는 영향에 대한 계층적 인과 표상 학습

Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models

머신러닝(ML) 에뮬레이터는 지구 시스템 모델(Earth System Models) 예측을 기반으로 학습(training)된 후 기후 변화 시나리오를 시뮬레이션할 수 있는 빠르고 비용 효율적인 방법을 제공합니다. 그러나 이러한 데이터 주도적 접근 방식의 블랙박스 특성은 출력값의 사용성과 신뢰성을 제한하며, 특히 인과적 귀인(causal attribution) 도구로서의 활용을 제한합니다. 본 연구에서는 최첨단 전지구 기후 모델의 해수면 온도 장에 적용되는 계층적 인과 표상 학습(hierarchical causal representation learning) 프레임워크를 개발합니다. 이전 연구 대비 주요 진보로서, 본 프레임워크는 내부 기후 변동성에서 발생하는 대기 역학적 상호작용과 대기 중 온실가스 및 에어로졸 농도 변화로 인한 강제 반응(forced responses)을 모두 명시적으로 모델링합니다. 미래 기후 변화 시나리오로 학습했을 때, 본 방법은 장기 전지구 평균 및 지역 기온 변화를 정확하게 예측하며, 미확인 시나리오에 대해 평가(evaluation)했을 때 온실가스 및 에어로졸 농도 섭동에 대해 물리적으로 현실적인 반응을 보여줍니다. 본 연구 결과는 기후 모델 에뮬레이션을 발전시키는 데 있어 인과 표상 학습 프레임워크의 잠재력을 강조합니다.

arXiv:2609.32652v2cs.AI공통 태그 Representation Learning, Time Series Forecasting

기하학 기반 소프트 상태 추상화의 예측 한계 및 쿱만 폐포

Prediction Limits and Koopman Closure of Geometry-Induced Soft State Abstractions

소프트 상태 표현(soft state representation)은 각 상태에 합이 1인 음이 아닌 클래스 가중치 벡터를 할당합니다. 본 연구에서는 이러한 가중치의 구성과 상태 동역학이 선형 예측의 정확도를 어떻게 공동으로 결정하는지 조사합니다. 고정된 임의의 가측 표현(measurable representation)에 대해, 지정된 스펙트럼 노름(spectral norm) 한계를 가진 행렬들 중 모집단 최소 평균 제곱근 예측 오차에 대한 유한 표본 신뢰 하한을 유도합니다. 이 한계는 각 참조 클래스 내 후속 좌표의 변동과 소프트 입력이 제공할 수 있는 개선 정도를 비교합니다. 또한 예측 행렬을 적합하지 않고도 독립적인 평가 쌍으로부터 계산됩니다. 선택된 허용 오차를 초과하는 한계는 해당 행렬 클래스 전체에 대해 그 허용 오차를 배제하며, 0인 한계는 결론을 내릴 수 없음을 의미합니다. 커널 아핀 헐 머신(Kernel Affine Hull Machines)을 사용하여 구성된 좌표의 경우, 재구성 점수 마진이 참조 라벨과의 불일치를 제어하며 예측 오차 한계에 반영됩니다. 정확한 결정론적 선형 진화 하에서, 잉여 계수 벡터를 고려하여 쿱만(Koopman) 및 재생핵 힐베르트 공간(RKHS) 수반 해석도 확립합니다. 4개 상태 연구에서는 보고된 117,000개의 복제 데이터셋에 걸쳐 신뢰 하한을 해석적으로 알려진 최적값과 비교합니다. 그런 다음 파일럿 데이터에서 선택된 반데르폴(Van der Pol) 표현을 두 가지 전이 법칙 각각에 대해 32개의 독립적인 데이터셋에서 평가합니다. 보고된 한계는 적합된 행렬 노름에서는 양수이지만, 더 큰 노름 한계에서는 0이 될 수 있습니다. 추가적인 예측 연구를 통해 좌표 변동, 공통 예측 목표, 장기 시계(long-horizon) 오차를 검토합니다. 이러한 결과는 재구성 클래스와의 일치도, 달성 가능한 예측 정확도, 정확한 연산자 폐포(operator closure)를 구별합니다.

arXiv:2609.27637v1cs.LG공통 태그 Time Series Forecasting, traffic forecasting

대규모 교통 예측을 위한 국소 이질성 및 지역 간 컨텍스트 학습

Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting

교통 흐름 예측은 지능형 교통 시스템에 필수적이다. 대규모 교통 예측은 국소 공간적 의존성과 지역 간 컨텍스트를 공동으로 모델링해야 한다. 지리적으로 인접한 노드 간 공간적 의존성은 도로 유형과 이동 방향의 차이로 인해 이질적이며, 모든 노드 쌍 상호작용을 통해 전역 정보를 획득하는 것은 상당한 계산 비용을 초래한다. 따라서 국소 이질성을 포착하면서 장거리 컨텍스트를 효율적으로 획득하는 것은 대규모 교통 예측에서 여전히 중요한 과제로 남아 있다. 이러한 과제를 해결하기 위해, 우리는 노드 이웃과 도로 네트워크 지역이라는 두 가지 상보적 세분성에서 공간적 의존성을 모델링하는 Local-Region Spatial Temporal(LoReST) 네트워크를 제안한다. 구체적으로, 관계 인지 국소 집계는 도로 및 방향별 특징 변환을 통해 지리적 이웃 내 이질적 의존성을 포착한다. 지역 간 상호작용은 평균 풀링을 통해 지역 표현을 구성하고, 지역 간 어텐션을 통해 장거리 컨텍스트를 교환한 뒤 이를 노드로 다시 전파한다. 국소 정보 집계와 지역 간 상호작용을 통합함으로써 LoReST는 대규모 도로 네트워크에서 공간적 의존성 학습을 효과적으로 수행할 수 있다. LargeST 벤치마크의 네 개 데이터셋에 대한 실험은 MAE, RMSE, MAPE에서 각각 평균 상대 감소율 4.78%, 3.60%, 5.75%를 보여준다.

arXiv:2609.28405v1cs.LG공통 태그 Representation Learning, Time Series Forecasting

미분 가능한 가우시안 표현을 통한 집단 동역학 학습

Learning Collective Dynamics with Differentiable Gaussian Representations

집단적 반응은 개인차, 접촉 기회, 그리고 누적된 경험에 따라 달라집니다. 총합된 집계 카운트로부터 이러한 동역학을 학습하려면 집단의 반응 분포를 현재 관측치 및 미래 행동 모두와 연결해야 합니다. 본 논문에서는 세 가지 구성 요소를 통해 이러한 연결을 학습하는 Differentiable Gaussian Dynamics(DGD)를 소개합니다. 이는 이질적인 반응 성향을 나타내는 가우시안 혼합(Gaussian mixture), 접촉 강도 및 행동 확률의 미분 가능한 집계, 그리고 후속 반응을 업데이트하는 피드백 순환입니다. 재매개변수화된 적분과 시간적 순환을 통해 집계된 예측 오차가 분포, 관측 함수, 피드백 파라미터를 공동으로 학습(training)할 수 있게 합니다. KuaiRand-Pure 및 Online Retail II의 4개 윈도우에서 DGD는 결합 행동 헤드를 갖춘 DeepAR 변형보다 더 낮은 결합 행동 음의 로그 가능도(negative log-likelihood)를 달성합니다. Retail 2010에서 DGD의 1일 행동 카운트 MAE는 해당 변형의 6.88 대비 4.71입니다. KuaiRand의 표준 추천 윈도우에서 분포를 학습하면 고정된 가우시안 대비 행동 음의 로그 가능도가 10.82% 감소하며, 통제된 실험에서 피드백 동역학을 제거하면 결합 KL이 0.0340에서 0.2577로 증가합니다. 이러한 결과는 집계된 관측치로부터 집단 표현과 그 피드백 과정을 학습하는 것의 가치를 입증합니다. 코드는 https://github.com/OranAi-Ltd/oransim 에서 이용할 수 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.