Neues Graph-Attention-Netzwerk STGAtt verbessert Verkehrsprognosen drastisch
Ein brandneues Deep‑Learning-Modell namens Spatial‑Temporal Unified Graph Attention Network (STGAtt) verspricht, die Genauigkeit von Verkehrsflussprognosen erheblich zu steigern. Durch die Kombination einer einheitlichen Graph‑Repräsentation mit einem Attention‑Mechanismus kann STGAtt komplexe räumlich‑zeitliche Abhängigkeiten direkt erfassen, ohne separate Module für Raum und Zeit zu benötigen.
STGAtt modelliert Korrelationen innerhalb eines Spatial‑Temporal Unified Graphs und gewichtet Verbindungen dynamisch über beide Dimensionen. Zusätzlich teilt das Modell die Verkehrsflussdaten in Nachbarschafts‑Subsets auf und nutzt einen innovativen Austauschmechanismus, um sowohl kurz- als auch langfristige Zusammenhänge effektiv zu berücksichtigen.
Umfangreiche Tests auf den Datensätzen PEMS‑BAY und SHMetro zeigen, dass STGAtt die Leistung der führenden Baselines über alle Vorhersagehorizonte hinweg übertrifft. Die Visualisierung der Attention‑Gewichte bestätigt die Fähigkeit des Modells, sich an dynamische Verkehrsmuster anzupassen und lange Streckenabhängigkeiten zu erfassen – ein entscheidender Schritt für die praktische Anwendung in intelligenten Verkehrssystemen.