Įžanga
Eismo prognozavimas atlieka lemiamą vaidmenį efektyviam eismo valdymui ir kontrolė. Tiksliai suprasti būsimą eismo srautą visose kelių tinklo keliuose yra esminis efektyvaus sprendimų priėmimo veiksnys. Siekiant išspręsti iššūkius, susijusius su eismo modelių prognozavimu ir erdvinių bei laiko priklausomybių fiksavimu, buvo pasiūlytas revoliucinis požiūris, vadinamas erdvinės linijinio transformatoriaus ir laiko konvoliucinio tinklo (SLTTCN) modelis.
Erdvinio-laiko prognozavimas
Eismo būklės prognozavimas reikalauja analizuoti tiek erdvinius, tiek laiko veiksnius. Ateities eismo būklės ir istorinių eismo būklių santykis yra paveiktas laiko veiksnių, tuo tarpu šiuo metu esančių sričių eismo būklė yra paveikta kaimyninių sričių iš erdvinio aspekto. Todėl svarbu efektyviai prognozuoti eismo būklę suprantant eismo duomenų laiko bei erdvinį santykį.
Tradiciniai požiūriai
Įprasti požiūriai apima statistinius modelius, tokius kaip autoregresinės integracinės judančios vidutinės (ARIMA), ir mašininio mokymo modelius, tokius kaip k artimiausių kaimynų (KNN) ir palaikymo vektoriaus mašina (SVM). Nors šie požiūriai gali tvarkyti sudėtingus eismo duomenis, jie reikalauja kruopštaus požymių inžinerijos ir gali nepasiekti viso duomenų kompleksiškumo.
Gili mokymasis ir grafų neuroniniai tinklai
Giliojo mokymosi požiūriai, ypač grafų neuroniniai tinklai (GNN), įgijo populiarumą dėl gebėjimo tvarkyti nelinijines aukštų dimensijų problemas. Tyrėjai tyrinėjo GNN su seka mokymosi modeliais derinimą, kad įtrauktų kelių tinklo topologiją į laiko serijų modelius. Be to, dėmesio mechanizmai buvo naudojami kartu su GNN ir transformacijomis, siekiant modeliuoti erdvinės ir laiko priklausomybes bei pagerinti prognozavimo tikslumą.
Iššūkiai priklausomybių modeliavime
Dvi pagrindinės iššūkiai egzistuoja priklausomybių modeliavime eismo prognozavimui. Pirma, erdvinė priklausomybė dažnai grindžiama iš anksto nustatytu grafų struktūra, kuri gali netikslingai atspindėti realios priklausomybės tarp mazgų. Kad tai išspręstų, grafo dėmesio tinklas (GAT) buvo pristatytas dinamiškai skaičiuoti erdvinę priklausomybę. Antra, laiko priklausomybės užfiksavimas naudojant pasikartojančius neuroninius tinklus (RNN) yra sudėtingas skaičiavimo procesas ir gali turėti sunkumų su ilgalaikėmis priklausomybėmis. Transformerio struktūrai augant laiko serijai, didėja skaičiavimo sudėtingumas.
SLTTCN Įvadas
Šiuos iššūkius įveikti buvo sukurtas SLTTCN modelis. Jis naudoja erdvinius linijinius transformatorius kaupiant erdvinius duomenis ir dvisienio laiko konvoliucinį tinklą, kad būtų užfiksuotos laiko priklausomybės. Erdvinis linijinis transformatorius mažina sudėtingumą, efektyviai fiksuodamas erdvinę priklausomybę, o laiko konvoliucinis tinklas su tiesmėmis ir vartų fuzijos mechanizmais sprendžia gradientų išnykimą ir didelius skaičiavimo išlaidas.
Lyginamoji analizė
Platus eksperimentai, naudojant didelio masto eismo duomenų rinkinius, parodė SLTTCN pranašumą palyginti su kitomis bazinėmis vertinimo priemonėmis. Skaitiniai rezultatai rodo, kad SLTTCN pasiekia geriausią prognozavimo veiksmingumą įvairių klaidos matavimų atžvilgiu. Be to, dėmesio vizualizavimo analizė patvirtina erdvinio lininio transformatoriaus efektyvumą, kuris užfiksuoja dinaminę visų erdvinę priklausomybę.
Išvados
SLTTCN modelis pristato revoliucingą požiūrį į eismo prognozes, efektyviai užfiksuodamas erdvines ir laiko priklausomybes. Turintis ypatingą prognozavimo veiksmingumą, jis turi potencialą ženkliai pagerinti eismo valdymo ir kontrolės taikymus. Suprasdami sudėtingus santykius tarp eismo duomenų, galime priimti informuotus sprendimus ir pagerinti bendrą transporto efektyvumą.
The source of the article is from the blog dk1250.com