.png){kind=icon}
返回
Cross-dimensional global interactive transformer for traffic forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2024.104974.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通预测是智能交通系统的一个关键要素，并在公共安全和资源管理方面具有广泛的应用价值。由于交通数据复杂且不断变化的时空相关性，精确的预测面临重大挑战。因此，已开发出多种时空网络以应对这一挑战。然而，许多现有的时空网络基于端到端训练，仍存在一些问题：(i) 端到端学习可能导致过拟合，并捕获交通数据中的某些虚假相关性；(ii) 大多数网络忽略了交通数据不同维度间的跨维度全局交互。本文提出了一种新的跨维度全局交互Transformer（CDGIT），以解决上述问题。所提出的CDGIT通过离散小波变换（DWT）将复杂交通数据分解为波动事件和稳定趋势，然后利用双通道时空网络捕捉时空依赖关系。具体而言，提出了跨维度交互注意力（CDIA）和全局多尺度注意力（GMSA）模块，分别提取事件和趋势的时序相关性，并开发了局部-全局Transformer编码器（LGTE）模块以提取局部和全局空间相关性。此外，引入基于图小波的图位置编码以平衡局部-全局结构信息。最后，通过一个自适应融合模块获得预测结果，该模块采用注意力机制并通过反向传播进行学习。在三个实际交通数据集上进行的系列综合实验表明，所提出的CDGIT相较于其他交通预测方法更为有效和优越。
Keyword:
Intelligent transportation system
Traffic forecasting
Attention mechanism
Transformer
Position encoding
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results作为季节性ARIMA过程的车辆交通流建模和预测: 理论基础和实证结果
PREAI
分享收藏Dual Dynamic Spatial-Temporal Graph Convolution Network for Traffic Prediction用于交通预测的双动态时空图卷积网络
PREAI
分享收藏
Learning All Dynamics: Traffic Forecasting via Locality-Aware Spatio-Temporal Joint Transformer
PREAI
分享收藏Dynamic Jacobi graph and trend-aware flow attention convolutional network for traffic forecasting动态Jacobi图和趋势感知流注意力卷积网络用于交通预测
PREAI
分享收藏
查看更多内容