STGformer: Решение для Прогнозирования Трафика с Уникальной Эффективностью и Производительностью
Основные проблемы и Решения
Прогнозирование трафика – ключевой аспект управления умными городами, необходимый для улучшения планирования транспорта и распределения ресурсов. С развитием глубокого обучения можно эффективно моделировать сложные пространственно-временные паттерны в данных о трафике.
Одной из основных проблем существующих моделей является неспособность эффективно обрабатывать крупномасштабные дорожные сети. Традиционные модели, такие как графовые нейронные сети (GNN) и архитектуры на основе трансформеров, имеют огромные вычислительные требования, что затрудняет их применение к обширным сетям, например, дорожной системе Калифорнии.
Новаторские Решения
Исследователи из SUSTech-UTokyo Joint Research Center on Super Smart City, Southern University of Science and Technology (SUSTech), Jilin University и University of Tokyo разработали STGformer. Эта новая модель интегрирует механизмы пространственно-временного внимания в графовую структуру, обеспечивая высокую эффективность в прогнозировании трафика.
STGformer позволяет обрабатывать реальные сети с до 20 000 датчиков, преодолевая ограничения существующих моделей. Модель продемонстрировала улучшение в точности прогнозирования на различных наборах данных, что подчеркивает ее универсальность и способность адаптироваться к различным сценариям трафика.
Преимущества и Перспективы
STGformer представляет собой прорыв в прогнозировании трафика, обеспечивая возможность развертывания моделей на реальных крупномасштабных дорожных сетях без потери производительности. Модель показала значительное улучшение эффективности и может стать стандартным инструментом в урбанистике.
Для получения дополнительной информации ознакомьтесь с Статьей. Все заслуги за это исследование принадлежат исследователям проекта.
