SwinUNet3D——一种基于移位窗口Transformer的层次化深度交通预测架构
计算机视觉与模式识别
2022-01-19 v1
摘要
交通预测是移动性管理的重要组成部分，也是推动物流行业的关键要素。多年来，利用时间序列以及时空动态预测进行交通预测的工作已有很多。在本文中，我们探索在UNet设置中使用视觉Transformer。我们完全移除了UNet中所有基于卷积的构建模块，同时在编码器与解码器分支中使用3D移位窗口Transformer。此外，我们在补丁编码之前尝试使用特征混合，以控制特征间的相互关系，同时避免我们时空输入深度维度的收缩。所提出的网络在神经信息处理系统会议(NeurIPS)竞赛赛道举办的Traffic Map Movie Forecasting Challenge 2021(Traffic4cast2021)提供的数据上进行了测试。Traffic4cast2021任务是从一小时给定交通状态(12帧，以5分钟为时间间隔平均)预测一小时(6帧)的交通状况(流量与平均车速)。源代码可在 https://github.com/bojesomo/Traffic4Cast2021-SwinUNet3D 在线获取。
引用
@article{arxiv.2201.06390,
title = {SwinUNet3D -- A Hierarchical Architecture for Deep Traffic Prediction using Shifted Window Transformers},
author = {Alabi Bojesomo and Hasan Al Marzouqi and Panos Liatsis},
journal= {arXiv preprint arXiv:2201.06390},
year = {2022}
}
备注
7 pages, 1 figure