Red de predicción de tráfico de transformadores espaciotemporales basada en la atención causal a varios niveles

Área de la Ciencia:

• Sistemas de transporte inteligentes
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• La predicción del tráfico es crucial para los sistemas de transporte inteligentes.
• Los datos de flujo de tráfico presentan complejas dependencias temporales y espaciales, lo que dificulta la predicción precisa.
• Los modelos existentes luchan con estas características espaciotemporales complejas.

Objetivo del estudio:

• Proponer una nueva red de transformadores espaciotemporales para mejorar la predicción del tráfico.
• Abordar los desafíos planteados por las complejas dependencias temporales y espaciales en los datos de flujo de tráfico.
• Mejorar la precisión y la eficiencia de las previsiones de flujo de tráfico.

Principales métodos:

• Desarrolló una red de transformadores espacio-temporales llamada MLCAFormer.
• Diseñó un mecanismo de atención causal temporal de varios niveles para la captura de dependencias jerárquicas.
• Se introdujo un mecanismo de atención espacial consciente de la identidad del nodo para mejorar la distinción del nodo y el aprendizaje de la correlación espacial.
• Flujo de tráfico original integrado, patrones cíclicos y incorporación espacial-temporal colaborativa como características de entrada.

Principales resultados:

• MLCAFormer demostró un rendimiento superior en comparación con los modelos de referencia en cuatro conjuntos de datos de tráfico del mundo real (METR-LA, PEMS-BAY, PEMS04, PEMS08).
• La atención causal multinivel capturó efectivamente las dependencias temporales a largo y corto plazo.
• La atención espacial consciente de la identidad del nodo mejoró el aprendizaje de la correlación espacial.

Conclusiones:

• La red MLCAFormer propuesta ofrece un avance significativo en la precisión de la predicción del tráfico.
• La integración de la atención causal multinivel y la atención espacial consciente de la identidad de los nodos es efectiva para el manejo de datos de tráfico espacio-temporal complejos.
• MLCAFormer muestra un gran potencial para las aplicaciones de transporte inteligente en el mundo real.