交通预测中的注意力门
计算机视觉与模式识别
2021-09-28 v1
摘要
由于城市复杂性增加和人口增长，越来越多关于预测全市出行行为的挑战被组织起来。Traffic Map Movie Forecasting Challenge 2020 在第三十四届神经信息处理系统大会（NeurIPS）的竞赛赛道中再次举办。与 Traffic4Cast 2019 类似，任务是预测柏林、伊斯坦布尔和莫斯科三个大城市地理区域上主要方向的通流量和平均车速。本文中，我们在基于 U-Net 的模型上应用注意力机制，特别是在收缩路径与扩展路径之间的跳跃连接上添加了注意力门。注意力门在与扩展路径上的特征结合之前过滤收缩路径的特征，使我们的模型能够减少非交通区域特征的影响，并更聚焦于关键区域特征。除竞赛数据外，我们还提出了两个常影响交通流的额外特征，即时间与星期。我们在竞赛数据集上实验了我们的模型，并在相同环境中复现了冠军方案。总体而言，我们的模型取得了优于近期方法的性能。
引用
@article{arxiv.2109.13021,
title = {Attention Gate in Traffic Forecasting},
author = {Anh Lam and Anh Nguyen and Bac Le},
journal= {arXiv preprint arXiv:2109.13021},
year = {2021}
}
备注
18 pages, 2 figures