STWave+: Uma Rede de Atenção Espectral de Múltiplas Escalas e Alta Eficiência com Tendências de Longo Prazo para Previsão Desagregada de Fluxo de Tráfego

A previsão de tráfego é crucial para a segurança pública e otimização de recursos, mas é muito desafiadora devido às mudanças temporais e às correlações espaciais dinâmicas. Para capturar essas dependências complexas, redes espaço-temporais, como redes neurais recorrentes com redes de convolução gráfica, são aplicadas. No entanto, a previsão de tráfego ainda é uma tarefa não trivial devido a três desafios principais: 1) Redes espaço-temporais anteriores são baseadas em treinamento de ponta a ponta e, portanto, falham em lidar com a mudança de distribuição nas séries temporais de tráfego não estacionárias. 2) Métodos existentes sempre utilizam a entrada de uma hora para prever o tráfego futuro e o conhecimento da tendência histórica de longo prazo é ignorado. 3) O algoritmo eficiente e eficaz para modelar correlações espaciais em múltiplas escalas ainda está faltando em redes anteriores. Portanto, neste artigo, em vez de propor mais um modelo de ponta a ponta, fornecemos uma nova estrutura de fusão desagregada STWave + para mitigar o problema da mudança de distribuição. A estrutura primeiro desacopla os complexos dados de tráfego de uma hora em tendências estáveis e eventos flutuantes, seguida por uma rede espaço-temporal de canal duplo para modelar tendências e eventos, respectivamente. Além disso, as tendências de longo prazo são usadas como um sinal auto-supervisionado no STWave + para ensinar informações temporais gerais nas tendências de uma hora por meio de uma perda contrastiva. Finalmente, um tráfego futuro razoável pode ser previsto através da fusão adaptativa de tendências e eventos de uma hora. Além disso, incorporamos uma nova estratégia de amostragem de consulta e codificação posicional de wavelet gráfico em múltiplas escalas na rede de atenção gráfica completa para modelar eficientemente e efetivamente correlações espaciais hierárquicas dinâmicas. Experimentos extensivos em quatro conjuntos de dados de tráfego mostram a superioridade de nossa abordagem, ou seja, maior precisão de previsão com menor custo computacional.