Weaver: Kronecker-Produkt-Ansatz für effiziente Verkehrsprognosen
In der komplexen Aufgabe der spatiotemporalen Verkehrsprognose auf Transportnetzen steht die Herausforderung im Vordergrund, die Interaktionen zwischen Verkehrsknoten in einem dynamischen System zu verstehen, das von Verkehrsflussdynamiken und sozialen Verhaltensmustern bestimmt wird. Die wachsende Bedeutung von Verkehrsnetzen und intelligenten Transportsystemen erfordert Modelle, die nicht nur hochpräzise, sondern auch interpretierbar, ressourcenschonend und robust gegenüber strukturellen oder zeitlichen Störungen sind.
Transformer‑basierte Architekturen haben die Vorhersagegenauigkeit verbessert, jedoch oft zu Lasten eines hohen Rechenaufwands und einer eingeschränkten Interpretierbarkeit. Weaver, ein neues Attention‑basiertes Modell, löst dieses Problem, indem es Kronecker‑Produkt‑Approximationen (KPA) einsetzt. Durch die Zerlegung der PN × PN‑Attention in lokale P × P‑zeitliche und N × N‑räumliche Karten reduziert KPA die Komplexität von O(P²N²) auf O(P²N + N²P). Diese „Kronecker‑Attention‑Map“ ermöglicht einen Parallel‑Kronecker‑Matrix‑Vektor‑Produkt‑Ansatz (P2‑KMV) für effizientes spatiotemporales Nachrichten‑Passing.
Um die realen Verkehrsdynamiken besser abzubilden, führt Weaver Valence‑Attention ein, die negative Kanten mit dem kontinuierlichen Tanimoto‑Koeffizienten (CTC) modelliert. Diese Technik fördert die präzise latente Graphgenerierung und stabilisiert das Training. Zusätzlich nutzt das Modell ein Traffic‑Phase‑Dictionary für Self‑Conditioning, um die Lernkapazität voll auszuschöpfen.
Die Evaluierung auf den Datensätzen PEMS‑BAY und METR‑LA zeigt, dass Weaver die aktuelle Spitzenleistung übertrifft und dabei die Rechenkomplexität deutlich senkt. Damit liefert Weaver einen vielversprechenden Ansatz für effiziente, interpretierbare und robuste Verkehrsprognosen in Echtzeit.