STICformer：交通流予測のための時空間的内在接続トランスフォーマー

科学分野:

• インテリジェント交通システム
• 機械学習
• 交通流予測

背景:

• 正確な交通予測は、インテリジェント交通システムにとって非常に重要です。
• 既存のニューラルネットワークは、しばしば空間的および時間的交通データを別々に処理し、貴重な相互依存関係を失います。
• この分離は、交通情報予測モデルの効果を制限します。

研究 の 目的:

• 強化された交通流予測のための新しいニューラルネットワークアーキテクチャを開発すること。
• 空間的および時間的特徴を個別に抽出するモデルの限界に対処すること。
• 統合された時空間データを活用することにより、交通予測の精度を向上させること。

主な方法:

• トランスフォーマーベースのニューラルネットワークであるSTICを導入しました。
• クロスアテンションメカニズムを利用して、時空間特徴を逐次的にキャプチャおよびマージしました。
• 4つの多様な交通予測データセットでモデルをテストしました。

主要な成果:

• STICは、従来のメソッドと比較して優れたパフォーマンスを示しました。
• このモデルは、交通データにおける根本的な空間的および時間的依存関係を効果的に明らかにしました。
• クロスアテンションメカニズムは、予測を改善するために時空間特徴を正常に統合しました。

結論:

• 提案されたSTICモデルは、正確な交通流予測のための新しい戦略を提供します。
• クロスアテンションを介した時空間特徴の統合は、モデルのパフォーマンスを向上させます。
• このアプローチは、インテリジェント交通システムの機能を前進させます。