使用 eKAN 网络的自监督状态空间模型实现实时交通事故预测
机器学习
2024-09-11 v1
摘要
跨不同时间和区域准确预测交通事故对公共安全至关重要。然而，现有方法面临两个关键挑战：1) 泛化性：当前模型严重依赖人工构建的多视图结构，如 POI 分布和路网密度，这些结构劳动密集且难以跨城市扩展。2) 实时性能：虽然一些方法通过复杂架构提高了准确性，但通常带来高计算成本，限制了其实时适用性。为应对这些挑战，我们提出了 SSL-eKamba，一个用于交通事故预测的高效自监督框架。为增强泛化性，我们设计了两个自监督辅助任务，通过时空差异感知自适应地改进交通模式表示。为提升实时性能，我们引入了 eKamba，一个重新设计 Kolmogorov-Arnold 网络（KAN）架构的高效模型。这包括使用可学习的单变量函数进行输入激活，并应用选择性机制（Selective SSM）捕获多变量相关性，从而提高计算效率。在两个真实世界数据集上的大量实验表明，SSL-eKamba 始终优于最先进的基线。该框架也可能为其他时空任务提供新的见解。我们的源代码在 http://github.com/KevinT618/SSL-eKamba 上公开可用。
引用
@article{arxiv.2409.05933,
title = {Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks},
author = {Xin Tan and Meng Zhao},
journal= {arXiv preprint arXiv:2409.05933},
year = {2024}
}