FPTN:用于交通流量预测的快速纯 Transformer 网络
本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性,其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性,并利用跨多个时间步骤的长程双向时间依赖性。实验证明,该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。
Jan, 2020
本研究提出了一种新颖的时间序列预测模型,FPN-fusion,具有线性计算复杂度,相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新:首先,采用特征金字塔网络(FPN)有效地捕捉时间序列数据的特征,避免了传统趋势和季节分解;其次,开发了一个多层融合结构,无缝地整合深层和浅层特征。在八个开源数据集上的 32 个测试案例中,FPN-fusion 在 31 个案例中表现优于 DLiner,平均均方误差 (MSE) 减少 16.8% 和平均绝对误差 (MAE) 减少 11.8%。此外,与基于 Transformer 的 PatchTST 相比,FPN-fusion 在 32 个测试项目中实现了 10 个最佳 MSE 结果和 15 个最佳 MAE 结果,仅使用了 PatchTST 总计算负载的 8%。
Jun, 2024
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
使用多尺度 Transformer 的多变量时间序列预测中,引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间,同时保留时间步和变量维度。进一步,提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明,提出的 MTPNet 优于最新的先进方法。
Aug, 2023
交通流量预测的反事实图转换器模型通过找到重要的子图,使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释,以提高交通流量预测的可靠性和可解释性。
Aug, 2023
基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测,能够有效地学习和提取交通流的复杂趋势和周期特征,实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。
Mar, 2024
提出了基于变换的网络架构设计计划,包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围,可以跨尺度融合特征。经过多次测试比较,基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。
May, 2023
本研究使用图神经网络和不同的 Transformer 架构,探讨风速预测的时空依赖性,提出了 Fast Fourier Transformer 和 Autoformer 架构,使用这些架构的模型在时空预测上的表现优于其他模型。
Aug, 2022