Enhancing short-term traffic prediction by integrating trends and fluctuations with attention mechanism

要約

トラフィックフローの予測は、インテリジェントな輸送システムの重要なコンポーネントですが、長期的な傾向と短期的な変動との相互作用により、トラフィックを正確に予測することは依然として困難です。
標準的なディープラーニングモデルは、一般的な傾向に焦点を当てながら、それらのアーキテクチャが本質的に微調整された変動を滑らかにするため、これらの課題に苦労することがよくあります。
この制限は、ローパスフィルタリング効果、安定性を支持するゲートバイアス、および長期情報保持を優先するメモリ更新メカニズムから生じます。
これらの欠点に対処するために、この研究では、トラフィックフローダイナミクスの補完的な側面をキャプチャするように設計された並行して処理された2つの入力機能を使用して、長期的な傾向と短期変動情報の両方を統合するハイブリッドディープ学習フレームワークを紹介します。
さらに、私たちのアプローチは、注意メカニズム、特にバダナウの注意を活用して、トラフィックデータ内の重要な時間ステップに選択的に焦点を当て、輻輳やその他の一時的な現象を予測するモデルの能力を高めます。
実験結果は、両方のブランチから学習した機能が補完的であり、ベースラインモデルと比較して複数の予測視野にわたって適合度の統計を大幅に改善することを示しています。
特に、注意メカニズムは、即時の変動を直接標的とすることにより、短期予測の精度を向上させますが、長期的な傾向を完全に統合する課題は残っています。
このフレームワークは、トラフィック予測モデルの堅牢性と精度を進めることにより、より効果的な混雑緩和と都市のモビリティ計画に貢献できます。

要約(オリジナル)

Traffic flow prediction is a critical component of intelligent transportation systems, yet accurately forecasting traffic remains challenging due to the interaction between long-term trends and short-term fluctuations. Standard deep learning models often struggle with these challenges because their architectures inherently smooth over fine-grained fluctuations while focusing on general trends. This limitation arises from low-pass filtering effects, gate biases favoring stability, and memory update mechanisms that prioritize long-term information retention. To address these shortcomings, this study introduces a hybrid deep learning framework that integrates both long-term trend and short-term fluctuation information using two input features processed in parallel, designed to capture complementary aspects of traffic flow dynamics. Further, our approach leverages attention mechanisms, specifically Bahdanau attention, to selectively focus on critical time steps within traffic data, enhancing the model’s ability to predict congestion and other transient phenomena. Experimental results demonstrate that features learned from both branches are complementary, significantly improving the goodness-of-fit statistics across multiple prediction horizons compared to a baseline model. Notably, the attention mechanism enhances short-term forecast accuracy by directly targeting immediate fluctuations, though challenges remain in fully integrating long-term trends. This framework can contribute to more effective congestion mitigation and urban mobility planning by advancing the robustness and precision of traffic prediction models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google