Прогнозирование трафика для управления умными городами
Основные проблемы и практические решения
Прогнозирование трафика — ключевой аспект управления умными городами, необходимый для улучшения планирования транспорта и распределения ресурсов. С развитием глубокого обучения стали возможны эффективное моделирование сложных пространственно-временных паттернов в данных о трафике. Однако реальные приложения сталкиваются с уникальными вызовами из-за масштабности этих систем, включающих тысячи сенсоров, распределенных по огромным географическим областям.
Одной из наиболее актуальных проблем существующих моделей является неспособность эффективно обрабатывать крупномасштабные дорожные сети. Популярные наборы данных, такие как PEMS и MeTR-LA, содержат относительно небольшое количество узлов, что управляемо для стандартных моделей. Однако эти наборы данных не отражают сложности реальных трафиковых систем, таких как система измерения производительности Caltrans в Калифорнии, включающая почти 20 000 активных сенсоров.
Несколько подходов были предложены для преодоления этих ограничений, включая комбинирование GNN и моделей на основе трансформеров для использования их преимуществ. Одним из таких решений стал STGformer, разработанный исследователями из нескольких университетов. Эта новая модель интегрирует механизмы пространственно-временного внимания в графовую структуру, обеспечивая высокую эффективность в прогнозировании трафика.
Архитектура STGformer представляет собой прорыв в прогнозировании трафика, позволяя развертывать модели на реальных крупномасштабных дорожных сетях без ущерба для производительности или эффективности. Результаты, полученные на различных наборах данных и бенчмарках, подчеркивают его потенциал стать стандартным инструментом в городском компьютинге.
