WED-Net: Wettereffekte entwirren – neues Netzwerk für urbane Verkehrsprognosen
Die Vorhersage von Verkehrsflüssen in Städten unter extremen Wetterbedingungen, wie starkem Regen, stellt eine große Herausforderung dar. Die seltenen Ereignisse und ihre komplexen Dynamiken machen es schwierig, genaue Modelle zu entwickeln.
Aktuelle datengetriebene Ansätze nutzen das Wetter häufig als Hilfsvariable, greifen jedoch auf grobe Beschreibungen zurück und fehlen spezialisierte Mechanismen, um feinkörnige räumlich‑zeitliche Effekte einzufangen. Selbst wenn kausale Techniken zur Verbesserung der Generalisierung eingesetzt werden, berücksichtigen sie oft nicht die zeitlichen Dynamiken oder verlassen sich auf starre Konfundierungskategorien.
WED-Net (Weather‑Effect Disentanglement Network) löst diese Probleme mit einer dualen Transformer‑Architektur. Sie trennt intrinsische Verkehrsmuster von wetterinduzierten Mustern über Selbst‑ und Kreuz‑Aufmerksamkeit, nutzt dabei Speicherkassen und ein adaptives Gating. Zusätzlich erkennt ein Diskriminator explizit die Wetterbedingungen, was die Trennung weiter verstärkt.
Zur Förderung der Trennung wird eine kausale Daten‑Augmentierung eingeführt, die nicht‑kausale Teile verändert, die kausale Strukturen jedoch bewahrt. Dadurch verbessert sich die Modell‑Robustheit bei seltenen Szenarien erheblich.
Experimentelle Tests auf Taxiflow‑Datensätzen aus drei Städten zeigen, dass WED-Net unter extremen Wetterbedingungen stabile Ergebnisse liefert. Das System unterstützt damit sicherere Mobilität, die Vorbereitung auf Katastrophen und die Resilienz urbaner Infrastrukturen. Der Quellcode ist öffentlich zugänglich unter https://github.com/HQ-LV/WED-Net.