Wenn Spatio-Temporale Wellenpakete aufeinandertreffen: Entkoppelte Verkehrsprognose durch effiziente spektrale Graph-Attention-Netzwerke

Die Verkehrsprognose ist entscheidend für die öffentliche Sicherheit und die Optimierung von Ressourcen, stellt jedoch aufgrund der zeitlichen Veränderungen und der dynamischen räumlichen Korrelationen in Verkehrsdaten eine große Herausforderung dar. Um diese komplexen Abhängigkeiten zu erfassen, werden spatio-temporale Netzwerke wie rekurrente neuronale Netzwerke mit Graph-Convolution-Netzen, Graph-Convolution-Netze mit zeitlichen Faltungsnetzen sowie zeitliche Aufmerksamkeitsnetze mit vollständigen Graph-Aufmerksamkeitsnetzen eingesetzt. Allerdings basieren bisherige spatio-temporale Netzwerke auf End-to-End-Training und können daher die Verteilungsverschiebung in nicht-stationären Verkehrszeitreihen nicht adäquat bewältigen. Gleichzeitig fehlt es in vorherigen Ansätzen an effizienten und effektiven Algorithmen zur Modellierung räumlicher Korrelationen. In diesem Artikel verfolgen wir statt der Einführung eines weiteren End-to-End-Modells einen neuen Ansatz und präsentieren einen disentanglierten Fusionsframework namens STWave, um das Problem der Verteilungsverschiebung zu mildern. Der Rahmen decoupiert zunächst die komplexen Verkehrsdaten in stabile Trends und fluktuierende Ereignisse, gefolgt von einem dualen Kanal spatio-temporalen Netzwerk zur jeweiligen Modellierung von Trends und Ereignissen. Schließlich wird eine plausiblen zukünftigen Verkehrsströme durch die Fusion von Trends und Ereignissen vorhergesagt. Zudem integrieren wir eine neuartige Abfragungs-Sampling-Strategie sowie eine auf Graph-Wavelets basierende graphische Positionscodierung in das vollständige Graph-Aufmerksamkeitsnetzwerk, um dynamische räumliche Korrelationen effizient und effektiv zu modellieren. Umfassende Experimente auf sechs Verkehrsdatensätzen belegen die Überlegenheit unseres Ansatzes: höhere Prognosegenauigkeit bei geringerem Rechenaufwand.