LoReST模型解决大规模交通预测中局部异质性与跨区域上下文挑战
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大规模交通流预测中局部空间依赖异质性与获取全局远距离上下文计算成本高的问题，LoReST模型提出双粒度空间依赖建模范式。在节点邻域层面，通过关系感知局部聚合捕捉道路与方向特异的异质依赖；在路网区域层面，经均值池化构建区域表征，借区域间注意力交换远距离上下文并回传至节点。在LargeST基准的四个数据集上，MAE、RMSE和MAPE平均相对降幅分别达4.78%、3.60%与5.75%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载预测痛点与建模思路
智能交通系统依赖交通流预测，但大规模路网面临两大痛点：地理邻接节点间因道路属性及行驶方向差异导致局部空间依赖具异质性；通过所有节点对交互获取全局信息计算开销极大。LoReST模型旨在同时捕捉局部异质性并高效获取远距离上下文，将空间依赖拆解为节点邻域与路网区域两个互补粒度进行联合建模。
局部聚合与跨区域交互
在节点邻域粒度，关系感知局部聚合模块针对道路身份与行进方向差异，执行特定特征变换以捕捉异质依赖。在路网区域粒度，跨区域交互模块先对节点特征做均值池化构建区域表征，随后经区域间注意力机制交换长距离上下文信息，最终将聚合后的全局信息广播回各节点。该机制有效规避了全对节点交互的庞大算力消耗。
LargeST基准实验表现
研究在LargeST基准的四个数据集上验证了LoReST性能。实验结果表明，相较于现有方法，该模型在MAE指标上实现4.78%的平均相对降幅，RMSE降幅为3.60%，MAPE降幅达5.75%。这证实了融合局部异质依赖与跨区域长程上下文交互对提升大规模路网预测精度的有效性。
为什么值得看
双粒度建模兼顾局部异质性与长程上下文，显著降低计算开销并提升预测精度，对大规模路网预测有直接参考价值。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。