Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting

Created by
  • Haebom
Category
Empty

저자

Minlan Shao, Zijian Zhang, Yili Wang, Yiwei Dai, Xu Shen, Xin Wang

개요

정확한 교통 예측은 지능형 교통 시스템에서 중요한 역할을 하며, 혼잡 제어, 경로 계획 및 도시 이동성 최적화와 같은 응용 프로그램을 가능하게 합니다. HyperD는 교통 데이터를 주기적 및 잔차 구성 요소로 분리하는 새로운 프레임워크입니다. 주기적 구성 요소는 학습 가능한 주기적 임베딩과 시공간 어텐션을 사용하여 세분화된 일별 및 주별 패턴을 추출하는 Hybrid Periodic Representation Module로 처리됩니다. 비주기적, 고주파 변동을 포착하는 잔차 구성 요소는 주파수 도메인에서 복소수 값 MLP를 활용하는 Frequency-Aware Residual Representation Module로 모델링됩니다. 두 구성 요소 간의 의미론적 분리를 강화하기 위해, 저주파 정보를 주기적 분기와 고주파 정보를 잔차 분기와 정렬하는 Dual-View Alignment Loss를 도입했습니다.

시사점, 한계점

•
시사점:
◦
교통 데이터를 주기적 및 잔차 구성 요소로 분리하여 교통 예측 정확도를 향상시킴.
◦
Hybrid Periodic Representation Module을 통해 세분화된 일별 및 주별 패턴을 효과적으로 추출.
◦
Frequency-Aware Residual Representation Module을 통해 비주기적, 고주파 변동을 효과적으로 모델링.
◦
Dual-View Alignment Loss를 통해 두 구성 요소 간의 의미론적 분리를 강화.
◦
실제 교통 데이터셋에서 기존 방법 대비 뛰어난 예측 정확도, 견고성 및 계산 효율성을 입증.
•
한계점:
◦
해당 논문의 한계점은 명시적으로 언급되지 않음. (논문 요약에서 언급된 내용만으로 답변)
👍
Made with Slashpage