ODformer：面向跨应用场景长序列起讫点矩阵预测的时空Transformer
人工智能
2022-08-18 v1
摘要
起讫点（OD）矩阵记录了OD区域对之间的有向流数据。矩阵中复杂的时空依赖使得OD矩阵预测（ODMF）问题不仅难以处理而且十分复杂。然而，大多数相关方法都是针对特定应用场景中的极短时间序列预测设计的，无法满足实际应用中场景变化与预测长度的要求。为解决这些问题，我们提出了一种类Transformer模型ODformer，具有两个显著特点：（i）新颖的OD注意力机制，捕获相同起点（终点）的OD对之间的特殊空间依赖，在与捕获OD区域间空间依赖的2D-GCN结合后，极大提升了模型在跨应用场景下的预测能力。（ii）PeriodSparse自注意力机制，在适应不同场景周期性差异的同时，有效预测长序列OD矩阵序列。在三种应用背景（即交通流量、IP骨干网络流量、人群流动）下的大量实验表明，我们的方法优于当前最先进（state-of-the-art）的方法。
引用
@article{arxiv.2208.08218,
title = {ODformer: Spatial-Temporal Transformers for Long Sequence Origin-Destination Matrix Forecasting Against Cross Application Scenario},
author = {Jin Huang and Bosong Huang and Weihao Yu and Jing Xiao and Ruzhong Xie and Ke Ruan},
journal= {arXiv preprint arXiv:2208.08218},
year = {2022}
}