Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting

要約

高度道路交通システム (ITS) の急速な発展に伴い、正確な交通予測が重要な課題として浮上しています。
主要なボトルネックは、複雑な時空間トラフィック パターンを捕捉することにあります。
近年、この問題に対処するために、複雑なアーキテクチャを備えた多数のニューラル ネットワークが提案されています。
しかし、ネットワーク アーキテクチャの進歩により、パフォーマンスの向上は減少しています。
この研究では、バニラトランスフォーマーで優れた結果を生み出すことができる時空間適応埋め込みと呼ばれる新しいコンポーネントを紹介します。
私たちが提案する時空間適応型埋め込みトランスフォーマー (STAEformer) は、5 つの現実世界の交通予測データセットで最先端のパフォーマンスを達成します。
さらなる実験により、時空間適応埋め込みが、交通時系列における固有の時空間関係と時系列情報を効果的に捕捉することにより、交通予測において重要な役割を果たすことが実証されました。

要約(オリジナル)

With the rapid development of the Intelligent Transportation System (ITS), accurate traffic forecasting has emerged as a critical challenge. The key bottleneck lies in capturing the intricate spatio-temporal traffic patterns. In recent years, numerous neural networks with complicated architectures have been proposed to address this issue. However, the advancements in network architectures have encountered diminishing performance gains. In this study, we present a novel component called spatio-temporal adaptive embedding that can yield outstanding results with vanilla transformers. Our proposed Spatio-Temporal Adaptive Embedding transformer (STAEformer) achieves state-of-the-art performance on five real-world traffic forecasting datasets. Further experiments demonstrate that spatio-temporal adaptive embedding plays a crucial role in traffic forecasting by effectively capturing intrinsic spatio-temporal relations and chronological information in traffic time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google