DSCFormer:融合动态稀疏因果注意力与双窗口分层时间自注意力的交通流量预测网络
《ISPRS International Journal of Geo-Information》:DSCFormer: A Dynamic Sparse Causal Attention Network for Efficient Traffic Flow Prediction
【字体:
大
中
小
】
时间:2026年09月23日
来源:ISPRS International Journal of Geo-Information 3.2
编辑推荐:
摘要交通流量预测是智能交通系统中的核心任务,然而现有的基于Transformer的模型存在计算复杂度高、动态空间建模能力弱以及缺乏严格时间因果约束等不足。我们提出了动态稀疏因果注意力网络(DSCFormer),通过将拉普拉斯位置编码与基于滑动窗口的动态邻接矩阵相结合,联合建模
摘要
交通流量预测是智能交通系统中的核心任务,然而现有的基于Transformer的模型存在计算复杂度高、动态空间建模能力弱以及缺乏严格时间因果约束等不足。我们提出了动态稀疏因果注意力网络(DSCFormer),通过将拉普拉斯位置编码与基于滑动窗口的动态邻接矩阵相结合,联合建模静态和动态空间信息。稀疏因果注意力机制通过邻居选择降低复杂度,并利用下三角因果掩码强制时间因果性,实现了精度与效率之间的可控权衡(在PeMS08数据集上,12步平均绝对误差(MAE)为13.18(),而密集注意力的MAE为12.89)。双窗口分层时间自注意力机制分别捕捉短期波动和长期周期性,并通过数据驱动权重进行融合。在六个公开数据集(包括PeMS高速路网和城市网格数据)上的实验表明,DSCFormer在九种评估设置(三个PeMS数据集和六个网格进/出流量任务)下,平均比最强基线模型PDFormer的MAE、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别降低1.6%、1.4%和1.9%,比所有16个基线模型在相同设置下的均值分别降低5.2%、6.8%和4.7%,其中相对改善的计算方式为。在PeMS08数据集上,与PDFormer相比,DSCFormer的推理时间减少8.7%,参数量减少6.7%,总浮点运算量减少8.3%。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号