Effiziente großskalige Verkehrsprognose mit Transformers: Ein Perspektive der räumlichen Datenverwaltung

Die Verkehrsflussschätzung ist entscheidend für praktische Anwendungen im Bereich intelligenter Verkehrssteuerung, beispielsweise bei der Verkehrslenkung und Routenplanung in der Stadtverwaltung sowie im privaten Reisen. Spatio-temporale Graph-Neuronale Netze (STGNNs) stellen derzeit die dominierende Lösung für diese Aufgabe dar. Dennoch hat die quadratische Komplexität bemerkenswerter STGNNs, die auf dynamischen räumlichen Modellierungsansätzen basieren, sich zu einer Engstelle bei der Verarbeitung großskaliger Verkehrsdaten entwickelt. Aus der Perspektive der räumlichen Datenverwaltung präsentieren wir einen neuen Transformer-Framework namens PatchSTG, der räumliche Abhängigkeiten effizient und dynamisch für die großskalige Verkehrsprognose mit Interpretierbarkeit und Genauigkeit modelliert. Konkret entwerfen wir eine neuartige unregelmäßige räumliche Patching-Strategie, um die Anzahl der Punkte zu reduzieren, die bei der dynamischen Berechnung des Transformers beteiligt sind. Die unregelmäßige räumliche Patching nutzt zunächst einen Blatt-KD-Baum (KDTree), um die unregelmäßig verteilten Verkehrsdatenpunkte rekursiv in Blattknoten mit geringer Kapazität zu partitionieren. Anschließend werden Blattknoten, die zum selben Teilbaum gehören, durch Auffüllen und Rückverfolgung zu Patchs mit gleichem Füllgrad und ohne Überlappung zusammengefasst. Auf Basis der patchierten Daten werden im Encoder abwechselnd Tiefen- und Breiten-Attention eingesetzt, um dynamisch lokale und globale räumliche Kenntnisse aus Punkten innerhalb eines Patchs sowie aus Punkten mit gleichem Index verschiedener Patchs zu lernen. Experimentelle Ergebnisse auf vier realen, großskaligen Verkehrsdatensätzen zeigen, dass unser PatchSTG sowohl eine bis zu 10-fach schnellere Trainingsgeschwindigkeit als auch eine bis zu 4-fach verbesserte Speicherauslastung erreicht, wobei die Leistung auf dem Stand der Technik bleibt.