Neues Modell ST‑SAM verbessert Verkehrsprognosen dank Selbst‑Aufmerksamkeit

Wissenschaftler haben ein neues Verfahren namens ST‑SAM entwickelt, das die Vorhersage von Verkehrsströmen in einer Region deutlich verbessert. Das Ziel ist es, den Ein- und Ausgangsverkehr für den nächsten Zeitschritt genau vorherzusagen, wobei die komplexen räumlichen und zeitlichen Abhängigkeiten zwischen den Regionen berücksichtigt werden.

Im Gegensatz zu bisherigen Ansätzen, die räumliche und zeitliche Zusammenhänge getrennt analysieren, nutzt ST‑SAM einen Region‑Embedding‑Layer, um zeitabhängige Repräsentationen aus den Verkehrsdaten zu lernen. Anschließend wird ein selbstaufmerksamer Modul eingesetzt, das sowohl lokale als auch globale räumlich‑zeitliche Abhängigkeiten erfasst – von benachbarten bis zu weit entfernten Regionen.

Durch die ausschließliche Verwendung von Selbstaufmerksamkeit ist das Modell nicht nur genauer, sondern auch deutlich effizienter. In umfangreichen Tests auf zwei realen Datensätzen erzielte ST‑SAM durchschnittlich 15 % bessere RMSE‑Werte, 17 % niedrigere MAPE‑Werte und die Trainingszeit wurde um das 32‑fache reduziert im Vergleich zu den führenden Methoden.