Das CCDSReFormer-Modell wurde entwickelt, um die Herausforderungen bestehender Spatio-Temporal-Transformer-Modelle in der Verkehrsflussvorhersage zu adressieren. Es umfasst drei neuartige Module: Enhanced Rectified Spatial Self-Attention (ReSSA), Enhanced Rectified Delay Aware Self-Attention (ReDASA) und Enhanced Rectified Temporal Self-Attention (ReTSA). Diese Module reduzieren den Rechenaufwand durch dünnbesetzte Matrixaufmerksamkeit, priorisieren lokale Informationen für eine umfassende Erfassung der Verkehrsdynamik und integrieren räumliche und zeitliche Daten durch einen Criss-Crossed-Lernansatz.
Die Autoren führten umfangreiche Experimente auf sechs realen Datensätzen durch, die die überlegene Leistung des CCDSReFormer-Modells belegen. Darüber hinaus wurde eine Ablationstudie durchgeführt, um den Beitrag jeder Komponente zur Vorhersagegenauigkeit des Modells zu bewerten. Die Ergebnisse bestätigen die Effektivität des vorgeschlagenen Modells bei der genauen Vorhersage des Verkehrsflusses.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Zhiqi Shao,M... alle arxiv.org 03-27-2024
https://arxiv.org/pdf/2403.17753.pdfDomande più approfondite