Neuer Transformer-Ansatz verbessert Verkehrsprognosen dank Unfalldaten

Verkehrsprognosen bleiben ein zentrales Problem im Bereich der räumlich‑zeitlichen Datenanalyse. Trotz Fortschritten im Deep Learning erschweren externe Faktoren wie Unfälle und Verkehrsregeln die Genauigkeit der Vorhersagen, weil sie in den meisten Modellen kaum berücksichtigt werden.

Um diese Lücke zu schließen, stellen die Autoren zwei neue Datensätze vor – einer aus Tokio und einer aus Kalifornien – die neben den üblichen Verkehrsmetriken explizit Unfall- und Regulierungsinformationen enthalten. Diese erweiterten Daten ermöglichen eine realistischere Modellierung der Verkehrsbedingungen.

Auf Basis dieser Datensätze entwickelt das Team ConFormer, einen Conditional Transformer, der Graph‑Propagation mit einer gezielten Normalisierungsschicht kombiniert. Durch die dynamische Anpassung der räumlichen und zeitlichen Knotenbeziehungen an historische Muster kann ConFormer die Wechselwirkungen zwischen Verkehr und externen Ereignissen besser erfassen.

In umfangreichen Tests übertrifft ConFormer das aktuelle Spitzenmodell STAEFormer in allen wichtigen Leistungskennzahlen. Gleichzeitig reduziert es die Rechenkosten und den Parameterbedarf, was die Effizienz deutlich steigert. Die Ergebnisse zeigen, dass ConFormer ein vielversprechender Ansatz ist, um die Genauigkeit von Verkehrsprognosen nachhaltig zu verbessern.