Core Concepts
CCDSReFormerは、複雑な時空間依存関係を効果的にモデル化し、高精度かつ効率的な交通流量予測を実現する。
Abstract
本論文では、CCDSReFormerと呼ばれる新しい交通流量予測モデルを提案している。CCDSReFormerは以下の特徴を持つ:
クリス・クロス型デュアルストリーム学習: 空間情報と時間情報を同時に学習し、複雑な時空間依存関係を捉える。
強化された整流線形自己注意機構(EnReLSA): 計算効率を高めつつ、局所的な特徴を捉えることができる。
強化された空間自己注意(ReSSA)、時間自己注意(ReTSA)、遅延対応自己注意(ReDASA)モジュール: 空間、時間、遅延の各側面を効果的にモデル化する。
実験の結果、CCDSReFormerは6つの実世界データセットにおいて、既存の最先端手法と比較して優れた予測精度と計算効率を示した。さらに、各モジュールの寄与を評価するアブレーション実験も行い、提案手法の有効性を確認した。
Stats
交通流量予測の精度を示す指標として、平均絶対誤差(MAE)、平均絶対パーセント誤差(MAPE)、平均二乗誤差(RMSE)を使用した。