이 논문은 공간-시간 교통 데이터(STTD)의 복잡한 동적 행동을 모델링하기 위한 새로운 패러다임을 제시한다. STTD는 다양한 출처에서 수집되는 복잡하고 고차원적인 데이터이며, 기존의 저차원 모델은 데이터 특정 차원 또는 출처 의존적 패턴에 국한되어 통일된 표현을 제공하지 못한다는 한계가 있다.
이 연구에서는 STTD를 암묵적 신경망 표현으로 매개변수화하여 일반화된 학습기를 제안한다. 저차원 체제에서 내재된 동역학을 식별하기 위해 좌표 기반 신경망을 사용하여 좌표를 직접 교통 변수에 매핑한다. 공간-시간 상호작용의 얽힘을 풀기 위해 변동성을 별도의 프로세스로 분해한다. 또한 센서 그래프와 같은 불규칙한 공간을 모델링하기 위해 스펙트럼 임베딩 기술을 개발한다.
연속적인 표현을 통해 다양한 STTD를 통일된 입력으로 모델링할 수 있어, 기저 교통 동역학의 일반화된 학습기로 활용할 수 있다. 또한 데이터에서 암묵적 저차원 선행 지식과 평활성 정규화를 학습할 수 있어 다양한 지배적인 데이터 패턴에 적합하다.
실제 시나리오에 대한 광범위한 실험을 통해 제안 모델의 효과를 검증하였다. 실험 결과는 기존 저차원 모델에 비해 큰 우수성을 보였으며, 다양한 데이터 영역, 출력 해상도 및 네트워크 토폴로지에 적용 가능한 유연성을 입증했다. 모델 분석을 통해 STTD의 귀납적 편향에 대한 통찰을 제공한다.
이 선구적인 모델링 관점은 다양한 실제 작업에서 STTD의 보편적 표현을 위한 기반을 마련할 것으로 기대된다.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Tong Nie,Guo... às arxiv.org 05-07-2024
https://arxiv.org/pdf/2405.03185.pdfPerguntas Mais Profundas