Neues Modell CAST-CKT verbessert Verkehrsvorhersage in Städten mit wenig Daten

Ein neues Forschungsprojekt namens CAST-CKT hat die Vorhersage von Verkehrsflüssen in städtischen Gebieten mit begrenzten Daten revolutioniert. Das Modell nutzt einen effizienten chaotischen Analysemechanismus, um die Vorhersagefähigkeit von Verkehrsmustern zu quantifizieren und dadurch die Modellleistung signifikant zu steigern.

Die Kerninnovation von CAST-CKT liegt in seiner chaotikbewussten Aufmerksamkeitsmechanik, die die zeitliche Modellierung an unterschiedliche Vorhersage‑Regime anpasst. Zusätzlich lernt das System dynamisch die räumlichen Abhängigkeiten, indem es die Topologie der Verkehrsnetzwerke anpasst. Für den Wissenstransfer zwischen Städten wird ein chaotikbasierter Konsistenzansatz eingesetzt, der die Domänenverschiebung reduziert und die Generalisierung verbessert.

Das System liefert nicht nur präzise Vorhersagen, sondern bietet auch eine Unsicherheitsquantifizierung für verschiedene Vorhersagehorizonte. Theoretische Analysen zeigen, dass die Generalisierungsgrenzen des Modells verbessert werden. In umfangreichen Tests auf vier Benchmark‑Datensätzen in Cross‑City‑Few‑Shot‑Szenarien übertrifft CAST-CKT die aktuellen Spitzenmethoden deutlich in Bezug auf MAE und RMSE und liefert gleichzeitig interpretierbare Regimeanalysen.

Der Quellcode ist öffentlich zugänglich unter https://github.com/afofanah/CAST-CKT.