融合矩阵提示增强的自注意力时空交互式交通预测框架
机器学习
2024-10-15 v1
摘要
近年来，由于日益增长的交通管理和出行规划需求，空间时序预测技术取得了快速发展。然而，现有的交通预测模型仍面临以下局限性。一方面，大多数以前的研究要么过度关注真实地理信息，忽略了不同地区之间潜在的交通相关性，要么忽略地理位置，仅建模交通流关系。另一方面，却忽略了在时序建模中不同时间切片的重要性。因此，我们提出了一种融合矩阵提示增强的自注意力时空交互式交通预测框架（FMPESTF），由用于下采样交通数据的空间模块和时序模块组成。该网络设计用于考虑空间时序异质性作为查询，以重构数据驱动的动态交通数据结构，准确揭示交通网络中节点之间的流关系。此外，我们在时序建模中引入注意力机制，设计分层时空交互式学习以帮助模型适应各种交通场景。通过在六个真实世界交通数据集上的大量实验，我们的方法在其他基准模型之上显著优于其他模型，显示现其在处理交通预测问题方面的效率和准确性。
引用
@article{arxiv.2410.09356,
title = {Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework},
author = {Mu Liu and MingChen Sun YingJi Li and Ying Wang},
journal= {arXiv preprint arXiv:2410.09356},
year = {2024}
}
备注
THE WEB CONFERENCE 2025