RAST: Neues Retrieval‑gestütztes Modell verbessert Verkehrsprognosen drastisch

In der heutigen Ära intelligenter Verkehrssysteme ist die Vorhersage von Verkehrsströmen ein entscheidender Baustein. Trotz großer Fortschritte bei Spatio‑Temporal Graph Neural Networks (STGNNs) und vortrainierten Modellen bleiben zwei zentrale Probleme bestehen: die begrenzte Kontextkapazität bei der Modellierung komplexer räumlich‑zeitlicher Abhängigkeiten und die geringe Vorhersagegenauigkeit an fein granularen Punkten, die durch heterogene Muster verursacht werden.

Aus diesem Grund wurde RAST – ein universelles Retrieval‑Augmented Spatio‑Temporal Framework – entwickelt. RAST kombiniert drei innovative Komponenten: Erstens einen getrennten Encoder und einen Query‑Generator, die räumliche und zeitliche Merkmale unabhängig erfassen und anschließend durch Residual‑Fusion zu einer kombinierten Anfrage verknüpfen. Zweitens einen Retrieval‑Store, der fein granularisierte Muster in Vektorform speichert und über spezialisierte Retriever abruft. Drittens einen universellen Backbone‑Predictor, der flexibel sowohl vortrainierte STGNN‑Modelle als auch einfache MLP‑Predictoren integriert.

Durch umfangreiche Experimente an sechs realen Verkehrsnetzen, darunter große Datensätze, konnte gezeigt werden, dass RAST die Vorhersageleistung deutlich steigert und gleichzeitig die Rechenkosten niedrig hält. Das neue Framework eröffnet damit neue Möglichkeiten für präzisere und effizientere Verkehrsprognosen in intelligenten Transportsystemen.