A Lightweight and Accurate Spatial-Temporal Transformer for Traffic Forecasting
链接：https://ieeexplore.ieee.org/abstract/document/10004027
作者：Guanyao Li, Shuhang Zhong, Xingdong Deng, Letian Xiang, S.-H. Gary Chan, Ruiyuan Li, Yang Liu, Ming Zhang, Chih-Chieh Hung, Wen-Chih Peng.
简介：交通预测是预测一个城市下一个时间段的流入（即单位时间到达对象的数量）和流出（即单位时间离开对象的数量）。对象可以是人、车辆、货物/物品等。交通预测在交通、零售、公共安全、城市规划等领域都有重要的应用。虽然有很多集中在深度学习提高预测精度的预测模型，但是性能的提升却伴随着参数的增加和训练资源的增加，这就导致训练和部署大型深度学习模型的成本高昂，因此，一个轻量级且高效的模型对于快速交付和部署至关重要。此外，区域交通在空间上和时间上是相关的，这种依赖在不同的时间隙上是动态的，它可能具有时间周期模式。因此，为了准确预测区域交通，无论区域之间有多远，考虑区域之间的动态性和联合的时空（ST）依赖性是至关重要的。鉴于此，本文提出了一种新颖的、轻量级的、精确的、具有信息融合和区域采样功能的交通预测时空转换器ST-TIS。ST-TIS基于考虑区域之间的时空依赖关系，尤其是考虑了具有信息融合模块（IFM）的任意单个时间片的动态时空依赖性，以及使用注意力机制的多个时间片之间的时空依赖性可能周期性特征，提出了数据驱动的转换器方案。此外，本文提出了一种新的考虑到计算效率的区域采样策略，利用转换器框架来学习区域依赖关系，与此同时还采用了一种新的区域采样策略来生成连通区域图，并基于该图学习其依赖性。在ST-TIS中，通过信息传播保证考虑到任意一对区域之间的依赖关系（近距离和远处依赖关系）。
Contest Info
2024年全国大学生计算机系统能力大赛数据库管理系统设计赛现已开放报名，欢迎大家积极参赛！
Wiki
Question
数据库与数据挖掘协会（DataBase & DataMining Association，简称DBDMA），一个致力于促进重庆大学数据库和数据挖掘领域发展的学生社团。其主要目的是为会员提供一个交流、学习和实践的平台，推广数据库和数据挖掘技术的应用，帮助学生了解数据库和数据挖掘领域的最新动态和技术应用，促进重庆大学数据库与数据挖掘领域的交流和合作，不断壮大我校在该领域的力量!
