BriefGPT - AI 论文速递
·
多层次的交通响应倾斜摄像头监控通过预测关联在线学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为LVSTformer的多层多视图增强时空Transformer模型，用于交通预测。该模型通过捕获空间和时间依赖性，并引入时空上下文广播模块，提高了模型的泛化能力和鲁棒性。实验结果表明，LVSTformer在交通预测方面优于竞争基线模型。
🎯
关键要点
- 提出了一种名为LVSTformer的多层多视图增强时空Transformer模型用于交通预测。
- 模型旨在从局部地理、全局语义和关键节点三个层次捕获空间依赖性。
- 具备长期和短期的时间依赖性，通过三种空间增强视图与三个并行空间自注意机制全面捕获空间依赖性。
- 采用门控时间自注意机制有效捕捉时间依赖性。
- 引入时空上下文广播模块，确保注意力分配均匀，缓解过拟合和信息损失。
- 增强模型的泛化能力和鲁棒性。
- 在六个知名交通基准上进行实验，LVSTformer在交通预测方面优于竞争基线模型，最大改进幅度达4.32%。
🏷️
标签
➡️
