Краткое содержание

Данные о трафике объединяют две совершенно разные составляющие: предсказуемые суточные/недельные циклы и хаотичные нерегулярные всплески (аварии, погода, внезапные скачки активности). Большинство моделей пытаются изучать всё одновременно, что размывает эти паттерны.HyperDисправляет это, разделяя сигнал надве специализированные ветви:апериодическая ветвь, которая моделирует чистую суточную/недельную структуру, иостаточная ветвь, которая обрабатывает высокочастотные, нерегулярные колебания (с помощью БПФ)Такое простое разделение приводит к повышению точности, устойчивости и эффективности на стандартных наборах данных о трафике.Почему это работаетHyperD явно обучается:определению вашего местоположения в рамках дня/недели(периодические эмбеддинги),тому, как влияют друг на друга близлежащие датчики(пространственно-временное внимание),и тому, что остаётся после удаления периодических паттернов(частотное моделирование остатков).Каждая ветвь фокусируется на том типе паттернов, который она лучше всего приспособлена улавливать.Бенчмарки (обзор)На наборах данных PEMS03/04/07/08 HyperD значительно превосходит сильные базовые модели с разделением, такие как CycleNet-D/W:на 22,63% ниже MAE по сравнению с CycleNet.