GEnSHIN: Neues Netzwerk für präzise Verkehrsflussvorhersage
Mit der raschen Urbanisierung steigt der Bedarf an verlässlichen Vorhersagen für den Verkehrsfluss. Das neu entwickelte Graph Enhanced Spatio‑Temporal Hierarchical Inference Network (GEnSHIN) adressiert diese Herausforderung, indem es komplexe räumlich‑zeitliche Abhängigkeiten in Echtzeit erfasst.
GEnSHIN kombiniert drei wegweisende Komponenten: Erstens ein attention‑verstärktes Graph Convolutional Recurrent Unit (GCRU), das durch Transformer‑Module die Modellierung langfristiger Zeitreihen verbessert. Zweitens ein asymmetrisches Dual‑Embedding‑Graph‑Generierungsverfahren, das die reale Straßennetzstruktur mit datengetriebenen, latenten Topologien verknüpft, um Graphen zu erzeugen, die den tatsächlichen Verkehrsbedingungen besser entsprechen. Drittens ein dynamischer Speicherbank‑Modul, das lernbare Verkehrsmustervorlagen nutzt, um jedem Sensorknoten personalisierte Muster zuzuweisen, und einen leichtgewichtigen Graph‑Updater im Decodierungsschritt einführt, um sich an sich verändernde Netzwerkzustände anzupassen.
Auf dem öffentlichen Datensatz METR‑LA erzielt GEnSHIN herausragende Ergebnisse: Es übertrifft vergleichbare Modelle in allen gängigen Metriken – Mean Absolute Error (MAE), Root Mean Square Error (RMSE) und Mean Absolute Percentage Error (MAPE). Besonders bemerkenswert ist die stabile Vorhersageleistung während der morgendlichen und abendlichen Stoßzeiten.
Durch gezielte Ablationsstudien wurde die Wirksamkeit jedes Kernmoduls bestätigt, wobei die individuelle Beitrag jeder Komponente zum Gesamterfolg deutlich wurde.
GEnSHIN setzt damit einen neuen Standard für Verkehrsflussvorhersagen und eröffnet Perspektiven für intelligentere, verkehrsoptimierte Städte.