FusionTransNet for Smart Urban Mobility: Spatiotemporal Traffic Forecasting Through Multimodal Network Integration

要約

この研究では、スマートでマルチモーダルな都市交通システム内の出発地-目的地 (OD) の流れ予測のために設計されたフレームワークである FusionTransNet を開発します。
都市交通の複雑さは、さまざまな交通モード間の時空間的な相互作用から生じます。
深センからのマルチモーダルデータの分析を動機として、これらのモード間の複雑な時空間相互作用を、微視的な局所レベルから巨視的な都市全体の観点まで分析できるフレームワークが不可欠です。
このフレームワークには、イントラモーダル学習モジュール、インターモーダル学習モジュール、予測デコーダーという 3 つのコア コンポーネントが含まれています。
イントラモーダル学習モジュールは、個々の輸送モード内の空間依存性を分析するように設計されており、単一モードの時空間ダイナミクスの詳細な理解を促進します。
インターモーダル学習モジュールはこの分析を拡張し、ローカル スケールとグローバル スケールの両方で相互作用を分析することで、さまざまなモードにわたるデータを統合して、クロスモーダルの相互依存関係を明らかにします。
最後に、予測デコーダーは、前述のモジュールからの洞察を統合して正確な OD フロー予測を生成し、複雑なマルチモーダルな相互作用を予測に変換します。
深センやニューヨークなどの大都市で実施された実証評価では、既存の最先端の手法と比較して、FusionTransNet の予測精度が優れていることが実証されています。
ローカルスケールとグローバルスケールの両方で異なる時空間グラフ間で情報を転送する方法は、サプライチェーンの物流や伝染病の蔓延など、他の空間システムにも役立つ可能性があるため、この研究の意味は都市交通を超えて広がります。

要約(オリジナル)

This study develops FusionTransNet, a framework designed for Origin-Destination (OD) flow predictions within smart and multimodal urban transportation systems. Urban transportation complexity arises from the spatiotemporal interactions among various traffic modes. Motivated by analyzing multimodal data from Shenzhen, a framework that can dissect complicated spatiotemporal interactions between these modes, from the microscopic local level to the macroscopic city-wide perspective, is essential. The framework contains three core components: the Intra-modal Learning Module, the Inter-modal Learning Module, and the Prediction Decoder. The Intra-modal Learning Module is designed to analyze spatial dependencies within individual transportation modes, facilitating a granular understanding of single-mode spatiotemporal dynamics. The Inter-modal Learning Module extends this analysis, integrating data across different modes to uncover cross-modal interdependencies, by breaking down the interactions at both local and global scales. Finally, the Prediction Decoder synthesizes insights from the preceding modules to generate accurate OD flow predictions, translating complex multimodal interactions into forecasts. Empirical evaluations conducted in metropolitan contexts, including Shenzhen and New York, demonstrate FusionTransNet’s superior predictive accuracy compared to existing state-of-the-art methods. The implication of this study extends beyond urban transportation, as the method for transferring information across different spatiotemporal graphs at both local and global scales can be instrumental in other spatial systems, such as supply chain logistics and epidemics spreading.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google