Raumzeitliche Aufmerksamkeitswavenet: Ein tiefes Lernframework für die Verkehrsprognose unter Berücksichtigung raumzeitlicher Abhängigkeiten
Die Verkehrsprognose in Straßennetzen ist aufgrund der Komplexität verkehrlicher Systeme äußerst herausfordernd und eine entscheidende Aufgabe für den Erfolg intelligenter Verkehrssystemanwendungen. Bestehende Ansätze erfassen meist die statischen räumlichen Abhängigkeiten, wobei auf vorherige Kenntnisse der Graphstruktur zurückgegriffen wird. Doch die räumlichen Abhängigkeiten können dynamisch sein, und die physikalische Struktur eines Netzes spiegelt möglicherweise nicht die tatsächlichen Beziehungen zwischen den Straßen wider. Um die komplexen räumlich-zeitlichen Abhängigkeiten besser zu erfassen und Verkehrsbedingungen in Straßennetzen vorherzusagen, schlagen wir ein mehrschrittiges Vorhersagemodell namens Spatial-Temporal Attention Wavenet (STAWnet) vor. Temporale Faltungen werden eingesetzt, um lange Zeitreihen zu verarbeiten, während dynamische räumliche Abhängigkeiten zwischen verschiedenen Knoten mittels eines selbst-Attention-Netzwerks erfasst werden können. Im Gegensatz zu bestehenden Modellen benötigt STAWnet keine vorherige Kenntnis der Netzwerkstruktur, da es eine selbstlernende Knoten-Embedding-Technik entwickelt. Diese Komponenten werden in einen end-to-end-Framework integriert. Die experimentellen Ergebnisse auf drei öffentlichen Datensätzen zur Verkehrsprognose (METR-LA, PEMS-BAY und PEMS07) belegen die Wirksamkeit des Ansatzes. Insbesondere erreicht STAWnet bei der Vorhersage für eine Stunde im Voraus die besten Ergebnisse im Vergleich zu aktuellen State-of-the-Art-Methoden – und das ohne jegliche Vorinformation über die Netzwerkstruktur.