xMTrans：用于长期交通预测的时间注意力跨模态融合 Transformer
机器学习
2024-05-09 v1 人工智能
摘要
交通预测在智能交通系统中扮演着至关重要的角色。物联网设备的快速发展使我们能够收集到与交通预测高度相关的各类数据，促进了高效的多模态交通预测模型的发展。迄今为止，鲜有研究关注利用多模态数据进行交通预测的优势。在本文中，我们引入了一种用于长期交通预测的新颖时间注意力跨模态 Transformer 模型，即 xMTrans，它能够探索两种模态数据之间的时间相关性：一种目标模态（用于预测，例如交通拥堵）和一种支持模态（例如人流）。我们使用真实世界数据集，在交通拥堵和出租车需求预测方面对所提出的模型进行了广泛实验。结果表明，xMTrans 在长期交通预测上优于近期 SOTA 方法。此外，我们还进行了全面的消融实验，以进一步分析 xMTrans 中各模块的有效性。
关键词
引用
@article{arxiv.2405.04841,
title = {xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction},
author = {Huy Quang Ung and Hao Niu and Minh-Son Dao and Shinya Wada and Atsunori Minamikawa},
journal= {arXiv preprint arXiv:2405.04841},
year = {2024}
}
备注
Accepted at MDM 2024