Ключевые выводы из исследования:
Вычислительная эффективность:
STGformer достигает ускорения в 100 раз и сокращения использования памяти GPU на 99,8% по сравнению с традиционными моделями, такими как STAEformer.
Масштабируемость:
Модель способна обрабатывать реальные сети с до 20 000 датчиков, преодолевая ограничения существующих моделей, которые терпят неудачу при масштабных развертываниях.
Повышение производительности:
Достигнуто улучшение MAE на 3,61% и снижение MAPE на 6,73% на наборе данных San Diego, превзойдя современные модели.
Возможность обобщения:
Продемонстрированы устойчивые результаты на различных наборах данных и подтверждена точность при тестировании на кросс-годовых сценариях, показывая адаптивность к изменяющимся условиям движения.
Новая архитектура:
Интеграция пространственно-временного графового внимания с линейными механизмами внимания позволяет STGformer эффективно улавливать локальные и глобальные трафиковые паттерны.
В заключение
Модель STGformer, представленная исследовательской командой, представляет собой высокоэффективное и масштабируемое решение для прогнозирования трафика на крупных дорожных сетях. Преодоление ограничений существующих методов на основе GNN и трансформеров способствует более эффективному распределению ресурсов и планированию транспортной инфраструктуры в управлении умным городом. Способность предложенной модели обрабатывать высокоразмерные пространственно-временные данные с минимальными вычислительными ресурсами делает ее идеальным кандидатом для применения в приложениях прогнозирования трафика в реальном масштабе. Полученные результаты на нескольких наборах данных и бенчмарках подчеркивают ее потенциал стать стандартным инструментом в городском компьютинге.