Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction

要約

交通流予測は高度道路交通システム（ITS）の中核技術として幅広い応用が可能です。
交通流データは時空間データであり、道路網内の空間的位置と相関するだけでなく、時間的な時間インデックスによっても変化します。
既存の手法は、時空間依存関係を効果的にモデル化することに重点を置き、交通流予測における課題を部分的に解決していますが、交通流データのすべての固有の特性が完全に活用されているわけではありません。
さらに、時空間データマイニングの増分学習の試みはほとんどなく、交通流予測タスクに簡単に移行できる以前の研究はほとんどありません。
交通流予測のための増分学習手法の課題と道路ネットワークの固有特性の十分に活用されていないという課題に動機付けられ、我々は交通流予測のためのトランスポートハブ認識時空間適応グラフトランスフォーマー（H-STFormer）を提案します。
具体的には、まず、動的な空間依存性を捕捉するための新しい空間自己注意モジュールを設計します。
3 つのグラフ マスキング マトリックスが空間的自己注意に統合され、短期と長期の両方の依存関係が強調表示されます。
さらに、時間的セルフアテンション モジュールを採用して、交通流データ内の動的な時間的パターンを検出します。
最後に、交通流予測タスクの増分学習のための追加の時空間知識蒸留モジュールを設計します。
広範な実験を通じて、通常および増分交通流予測タスクにおける H-STFormer の有効性を示します。
コードは https://github.com/Fantasy-Shaw/H-STFormer で入手できます。

要約(オリジナル)

As a core technology of Intelligent Transportation System (ITS), traffic flow prediction has a wide range of applications. Traffic flow data are spatial-temporal, which are not only correlated to spatial locations in road networks, but also vary with temporal time indices. Existing methods have solved the challenges in traffic flow prediction partly, focusing on modeling spatial-temporal dependencies effectively, while not all intrinsic properties of traffic flow data are utilized fully. Besides, there are very few attempts at incremental learning of spatial-temporal data mining, and few previous works can be easily transferred to the traffic flow prediction task. Motivated by the challenge of incremental learning methods for traffic flow prediction and the underutilization of intrinsic properties of road networks, we propose a Transport-Hub-aware Spatial-Temporal adaptive graph transFormer (H-STFormer) for traffic flow prediction. Specifically, we first design a novel spatial self-attention module to capture the dynamic spatial dependencies. Three graph masking matrices are integrated into spatial self-attentions to highlight both short- and long-term dependences. Additionally, we employ a temporal self-attention module to detect dynamic temporal patterns in the traffic flow data. Finally, we design an extra spatial-temporal knowledge distillation module for incremental learning of traffic flow prediction tasks. Through extensive experiments, we show the effectiveness of H-STFormer in normal and incremental traffic flow prediction tasks. The code is available at https://github.com/Fantasy-Shaw/H-STFormer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google