ADMFormer: Nuovo Modello Transformer per la Previsione del Traffico
I ricercatori hanno introdotto ADMFormer, un Transformer a decomposizione adattiva progettato per la previsione del traffico, che incorpora l'attenzione spaziale mascherata variabile nel tempo. Questo modello affronta due questioni significative: la coesistenza di modelli periodici stabili e variazioni guidate da eventi nei dati del traffico, nonché le relazioni spaziali dinamiche e sparse tra i nodi. ADMFormer implementa un meccanismo di gating adattivo tempo-nodo per separare i segnali di traffico in regolarità prevalenti e fluttuazioni residue specifiche del tempo e del nodo. Inoltre, utilizza l'attenzione spaziale mascherata variabile nel tempo per ridurre al minimo le interazioni non necessarie e ridurre il rumore derivante dall'attenzione completa a coppie. L'articolo di ricerca è disponibile su arXiv con ID 2605.25543.
Fatti principali
- ADMFormer è un modello Transformer per la previsione del traffico.
- Utilizza un meccanismo di decomposizione adattiva per gestire pattern temporali eterogenei.
- L'attenzione spaziale mascherata variabile nel tempo affronta dipendenze spaziali dinamiche e sparse.
- Il modello separa i segnali di traffico in regolarità dominanti e fluttuazioni residue.
- L'articolo è pubblicato su arXiv con ID 2605.25543.
- L'approccio mira a migliorare l'accuratezza nei sistemi di trasporto intelligenti.
- I metodi esistenti spesso trattano i pattern temporali all'interno di una rappresentazione unificata.
- L'attenzione densa a coppie introduce interazioni ridondanti e amplifica il rumore.
Entità
Istituzioni
- arXiv