Новости из мира науки, технологий и авто
Источник фото: pixabay.com Недавние эксперименты с крупномасштабными наборами данных трафика показывают, что предлагаемый новый метод прогнозирования может значительно снизить вычислительную сложность и потребление памяти при сохранении относительно высокой точности.
Прогнозирование трафика – важная задача в интеллектуальных транспортных системах, работающих в городских сетях. В существующих работах используются RNN и CNN / GCN, среди которых GCRN является современным произведением, для характеристики временной и пространственной корреляции потоков трафика.
Однако применять GCRN с крупномасштабными дорожными сетями неуместно из-за высокой вычислительной сложности. Чтобы решить эту проблему, специалисты предложили абстрагировать дорожную сеть в виде геометрического графа и построить рекуррентную нейронную сеть с быстрой сверткой графа (FastGCRNN) для моделирования пространственно-временных зависимостей транспортного потока.
В частности, они использовали модуль FastGCN для эффективного отображения топологической взаимосвязи между дорогами и окружающими дорогами на графике с уменьшением вычислительной сложности за счет выборки важности.
В результате получилось объединить блок GRU для захвата временной зависимости потока трафика и встроить пространственно-временные функции в Seq2Seq на основе структуры Encoder-Decoder.
