Eine Zeitreihe ist wert fünf Experten: Heterogene Mischung aus Experten für die Verkehrsflussvorhersage

Genauere Verkehrsprognose steht vor erheblichen Herausforderungen und erfordert ein tiefes Verständnis sowohl zeitlicher als auch räumlicher Hinweise sowie ihrer komplexen Wechselwirkungen über mehrere Variablen hinweg. Die jüngsten Fortschritte in Verkehrsprognosesystemen beruhen vor allem auf der Entwicklung komplexer, sequenzzentrierter Modelle. Allerdings integrieren bestehende Ansätze häufig mehrere Variablen und räumliche Beziehungen zu jedem Zeitpunkt, was das effektive variablenzentrierte Lernen behindern und letztlich zu einer Leistungseinbuße bei traditionellen Verkehrsprognoseaufgaben führen kann. Um diese Einschränkungen zu überwinden, stellen wir variablenzentrierte sowie vorwissenbasierte Modellierungstechniken vor. Konkret schlagen wir das Heterogene Mixture-of-Experts-Modell TITAN für die Verkehrsflussprognose vor. TITAN besteht ursprünglich aus drei Experten, die sich auf sequenzzentrierte Modellierung konzentrieren. Anschließend entwickeln wir eine niedrigrangige adaptive Methode, die es TITAN ermöglicht, gleichzeitig variablenzentrierte Modellierung durchzuführen. Darüber hinaus überwachen wir den Gating-Prozess mittels einer vorwissenbasierten Modellierungsstrategie, um eine präzise Weiterleitung sicherzustellen. Experimente an zwei öffentlichen Verkehrsnetzdatensätzen, METR-LA und PEMS-BAY, zeigen, dass TITAN variablenzentrierte Abhängigkeiten effektiv erfasst und gleichzeitig eine genaue Routing-Entscheidung gewährleistet. Dadurch erreicht das Modell im Vergleich zu vorherigen State-of-the-Art-Modellen Verbesserungen in allen Bewertungsmetriken, die zwischen etwa 4,37 % und 11,53 % liegen. Der Quellcode ist unter \href{https://github.com/sqlcow/TITAN}{https://github.com/sqlcow/TITAN} öffentlich verfügbar.