TESTAM: Um Modelo de Atenção Espacial-Temporal Aprimorado pelo Tempo com Mistura de Especialistas

A previsão de tráfego precisa é desafiadora devido à complexa dependência das redes viárias, vários tipos de estradas e a mudança abrupta de velocidade devido a eventos. Trabalhos recentes concentram-se principalmente na modelagem espacial dinâmica com incorporação adaptativa de grafos ou atenção em grafos, com menor consideração das características temporais e modelagem in-situ. Neste artigo, propomos um novo modelo de aprendizado profundo chamado TESTAM, que modela individualmente padrões de tráfego recorrentes e não recorrentes por meio de um modelo de mistura de especialistas com três especialistas em modelagem temporal, modelagem espacial-temporal com grafo estático e modelagem de dependência espacial-temporal dinâmica com grafo dinâmico. Ao introduzir diferentes especialistas e direcioná-los adequadamente, o TESTAM pode modelar melhor várias circunstâncias, incluindo nós espacialmente isolados, nós altamente relacionados e eventos recorrentes e não recorrentes. Para o direcionamento adequado, reformulamos um problema de gating em um problema de classificação com rótulos pseudônimo. Resultados experimentais em três conjuntos de dados públicos de redes de tráfego, METR-LA, PEMS-BAY e EXPY-TKY, demonstram que o TESTAM alcança uma melhor indicação e modelagem de tráfego recorrente e não recorrente. Publicamos o código oficial em https://github.com/HyunWookL/TESTAM