GAMMA-Net Introduce Graph Attention e Mamba per la Previsione del Traffico

Uno studio recente ha presentato GAMMA-Net, un modello di previsione del traffico che integra Graph Attention Networks con modelli selettivi di spazio degli stati multi-assiali. Questo approccio innovativo mira a risolvere le carenze dei modelli convenzionali nel catturare le complesse relazioni spazio-temporali all'interno dei dati sul traffico. L'aspetto Graph Attention Network di GAMMA-Net utilizza meccanismi di self-attention per modificare in modo adattivo le influenze dei nodi nelle reti di traffico, consentendo una modellazione in tempo reale delle dipendenze spaziali. Nel frattempo, il modulo Mamba cattura abilmente le dinamiche temporali e spaziali a lungo termine, evitando le significative esigenze computazionali tipiche delle architetture ricorrenti standard. L'efficacia del modello è stata convalidata attraverso test completi su vari dataset di traffico di riferimento, tra cui METR-LA, PEMS-BAY, PEMS03, PEMS04 e PEMS07. Questa ricerca, identificata come documento arXiv 2604.16859v1, sottolinea l'importanza di previsioni accurate del traffico per migliorare i sistemi di trasporto intelligenti, aiutando nella gestione del traffico, alleviando la congestione e guidando la pianificazione urbana.