Core Concepts
본 연구는 계산 효율성과 정확성의 균형을 이루고, 지역 및 전역 시계열 정보에 대한 편향을 해결하며, 공간 및 시간 데이터에 대한 통합된 접근법을 제공하는 크로스-크로스 이중 스트림 강화 정류 트랜스포머 모델(CCDSReFormer)을 제안한다.
Abstract
본 연구는 교통 흐름 예측을 위한 새로운 모델인 CCDSReFormer를 제안한다. CCDSReFormer는 다음과 같은 세 가지 주요 모듈을 특징으로 한다:
강화 정류 공간 자기 주의(ReSSA): 이는 희소 행렬 주의를 통해 계산 요구 사항을 줄이고, 지역 정보를 우선시하여 교통 역학을 포괄적으로 포착하며, 공간 및 시간 데이터를 통합하는 크로스-크로스 학습 접근법을 사용한다.
강화 정류 지연 인식 자기 주의(ReDASA): 이는 시간 지연의 영향을 명시적으로 모델링하여 교통 시스템의 동적 공간 의존성을 포착한다.
강화 정류 시간 자기 주의(ReTSA): 이는 지역 및 전역 시간 의존성을 모두 포착하여 교통 데이터의 복잡한 시간 패턴을 이해한다.
이러한 모듈들은 CCDSReFormer의 핵심을 구성하며, 6개의 실제 데이터 세트에 대한 광범위한 실험을 통해 기존 최첨단 모델을 능가하는 성능을 입증한다. 또한 각 구성 요소의 기여도를 평가하는 ablation 연구를 수행하여 제안된 모델의 효과성을 확인했다.
Stats
교통 데이터 세트에서 추출한 주요 통계 수치는 다음과 같다:
6개 데이터 세트의 노드 수는 170개에서 1,024개 사이이다.
시간 범위는 2016년 7월부터 2020년 9월까지이며, 시간 간격은 5분에서 1시간 사이이다.
데이터 세트의 총 시간 단계 수는 3,600에서 28,224 사이이다.
Quotes
"본 연구는 계산 효율성과 정확성의 균형을 이루고, 지역 및 전역 시계열 정보에 대한 편향을 해결하며, 공간 및 시간 데이터에 대한 통합된 접근법을 제공하는 크로스-크로스 이중 스트림 강화 정류 트랜스포머 모델(CCDSReFormer)을 제안한다."
"CCDSReFormer는 다음과 같은 세 가지 주요 모듈을 특징으로 한다: 강화 정류 공간 자기 주의(ReSSA), 강화 정류 지연 인식 자기 주의(ReDASA), 강화 정류 시간 자기 주의(ReTSA)."