DETNO: Neuer Diffusions-Transformer für präzise Langzeit-Verkehrsvorhersage

Die Forschung im Bereich intelligenter Verkehrssysteme hat einen bedeutenden Fortschritt erzielt: Der neu entwickelte Diffusion-Enhanced Transformer Neural Operator (DETNO) verspricht eine deutlich genauere Vorhersage von Verkehrsabläufen über lange Zeiträume. Durch die Kombination eines Transformer-basierten Neural Operators mit einer Diffusions-Refinement-Komponente kann DETNO hochfrequente Verkehrsdynamiken – wie plötzliche Stoßwellen und Engpassgrenzen – zuverlässig rekonstruieren.

Neural Operators sind bereits dafür bekannt, komplexe Funktionsräume zu modellieren, doch ihre Tendenz zu glatten Vorhersagen führt häufig zu Fehlern bei der Prognose von schnellen Verkehrsänderungen. DETNO überwindet dieses Problem, indem es einen iterativen Denoising-Prozess einführt, der die feinen Details des Verkehrsflusses schrittweise wiederherstellt. Dadurch bleibt die Modellleistung auch bei mehrstufigen Rollouts stabil.

In umfangreichen Tests auf chaotischen Verkehrsdaten hat DETNO die Leistung traditioneller Neural Operators und anderer Transformer-Modelle deutlich übertroffen. Die Ergebnisse zeigen, dass das Modell nicht nur die hochfrequenten Komponenten des Verkehrsflusses besser beibehält, sondern auch die Genauigkeit über lange Vorhersagehorizonte hinweg verbessert. Dieser Fortschritt könnte die Grundlage für effizientere Echtzeit-Verkehrsmanagementsysteme bilden.