PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction

要約

交通流予測は高度道路交通システムの中核技術として幅広い応用範囲があります。
交通流予測における基本的な課題は、交通データの複雑な時空間依存関係を効果的にモデル化することです。
時空間グラフ ニューラル ネットワーク (GNN) モデルは、この問題を解決する最も有望な方法の 1 つとして浮上しています。
ただし、GNN ベースのモデルには、交​​通予測に関して 3 つの大きな制限があります。i) ほとんどの方法は静的な方法で空間依存性をモデル化するため、動的な都市交通パターンを学習する能力が制限されます。
ii) ほとんどの方法は短距離の空間情報のみを考慮しており、長距離の空間依存性を捉えることができません。
iii) これらの方法は、交通システムにおいて、場所間の交通状況の伝播に時間遅延があるという事実を無視しています。
この目的を達成するために、正確な交通流予測のための新しい伝播遅延を認識した動的長距離トランスフォーマ、すなわち PDFormer を提案します。
具体的には、動的な空間依存関係を捕捉する空間セルフアテンション モジュールを設計します。
次に、2 つのグラフ マスキング行列を導入して、短距離ビューと長距離ビューからの空間依存性を強調します。
さらに、空間情報伝播の時間遅延を明示的にモデル化する機能を PDFormer に提供するために、トラフィック遅延を認識した特徴変換モジュールが提案されています。
6 つの現実世界の公共交通データセットに関する広範な実験結果は、私たちの方法が最先端のパフォーマンスを達成できるだけでなく、競争力のある計算効率を発揮できることを示しています。
さらに、学習した時空間アテンション マップを視覚化して、モデルを高度に解釈できるようにします。

要約(オリジナル)

As a core technology of Intelligent Transportation System, traffic flow prediction has a wide range of applications. The fundamental challenge in traffic flow prediction is to effectively model the complex spatial-temporal dependencies in traffic data. Spatial-temporal Graph Neural Network (GNN) models have emerged as one of the most promising methods to solve this problem. However, GNN-based models have three major limitations for traffic prediction: i) Most methods model spatial dependencies in a static manner, which limits the ability to learn dynamic urban traffic patterns; ii) Most methods only consider short-range spatial information and are unable to capture long-range spatial dependencies; iii) These methods ignore the fact that the propagation of traffic conditions between locations has a time delay in traffic systems. To this end, we propose a novel Propagation Delay-aware dynamic long-range transFormer, namely PDFormer, for accurate traffic flow prediction. Specifically, we design a spatial self-attention module to capture the dynamic spatial dependencies. Then, two graph masking matrices are introduced to highlight spatial dependencies from short- and long-range views. Moreover, a traffic delay-aware feature transformation module is proposed to empower PDFormer with the capability of explicitly modeling the time delay of spatial information propagation. Extensive experimental results on six real-world public traffic datasets show that our method can not only achieve state-of-the-art performance but also exhibit competitive computational efficiency. Moreover, we visualize the learned spatial-temporal attention map to make our model highly interpretable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google