MC-HSTA:一个多源跨域混合时空注意力网络,用于流量预测
Zhirong Zhang1, Qixiu Cheng2, Zhanyi Li3
1School of Engineering Mathematics and Technology, University of Bristol, Bristol, BS1 1CS, UK; School of Information Engineering, Chang'an University, Xi'an, 710018, China.
概括
本研究引入了一种新的模型,用于预测有限数据的流量流量,解决域间依赖和域间转移. 这种新的方法显著提高了预测准确性,超过了现有的方法.
科学领域:
- 人工智能的人工智能
- 运输科学 运输科学
- 机器学习 机器学习
背景情况:
- 传统的表示学习在有足够的数据的情况下表现出色,但在有限的流量数据中扎.
- 转移学习是一种常见的解决方案,涉及预训练和微调,但往往忽略了域间依赖和域间转移.
研究的目的:
- 开发一种新的多源跨领域模型,用于在数据稀缺的情况下预测流量.
- 为了应对跨领域依赖性和转移领域的挑战,转移学习用于交通预测.
主要方法:
- 提出了一种混合的时空注意力机制,以捕捉时间,空间和域间的依赖关系.
- 集成了一个域适应模块与域适应分类器以减轻域转移和增强跨域概括.
主要成果:
- 拟议的模型在三个公共数据集的流量预测中始终超过了流行的基线模型.
- 平均绝对误差 (MAE) 降低了33.55%,根平均平方误差 (RMSE) 降低了25.74%,平均绝对百分比误差 (MAPE) 降低了38.42%.
结论:
- 该研究强调了解决域间依赖和域间转移对于在有限的流量数据场景中有效的转移学习至关重要.
- 开发的模型表现出卓越的性能,为精准的流量预测提供了强大的解决方案,使用稀缺的数据.
