全谱汇报：高吞吐推理场景下的整体多粒度交通建模
机器学习
2025-08-12 v2
摘要
值得注意的是，当前的智能交通系统依赖准确的交通预测和快速的推理提供，以便做出及时决策。虽然图卷积网络（GCN）在建模复杂交通依赖关系方面显示出优势，但现有的GCN-based方法无法充分完整地提取和融合跨各种空间和时间尺度的多粒度时空特征，导致结果不够准确。此外，随着在计算机视觉、自然语言处理和时间序列预测等领域跨尺度提取多粒度特征成为一个有前景的策略，先前的研究尝试利用类似机制来挖掘时空交通数据。然而，先前研究中引入的额外特征提取分支严重增加了模型复杂度并延长了推理时间，使得提供快速预测变得具有挑战性。本文提出了MultiGran-STGCNFog，一种高效的雾分布式推理系统，采用一种新颖的交通预测模型，通过对生成的动态交通图进行多粒度时空特征融合，充分捕获相互依赖的交通动态。提出的调度算法GA-DPHDS同时优化层执行顺序和层-设备调度方案，通过协调异构雾设备以流水线方式运行，显著提高了推理吞吐量。大量实验在真实数据集上表明，所提出的方法优于选定的GCN基线方法。
引用
@article{arxiv.2505.01279,
title = {Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes},
author = {Zhaoyan Wang and Xiangchi Song and In-Young Ko},
journal= {arXiv preprint arXiv:2505.01279},
year = {2025}
}
备注
Accepted by The 34th ACM International Conference on Information and Knowledge Management (CIKM 2025)