空間PDE対応の選択的状態空間モデルとネスト型メモリを備えたモバイル交通グリッド予測

概要: セルラーネットワークにおけるトラフィック予測は、強い時系列依存性、セル間の空間的異質性、そして大規模なネットワーク展開に対応する拡張性の必要性のため、挑戦的な時空間予測問題である。
従来のセル固有モデルは訓練および保守コストが高額になる一方で、グローバルモデルは異質な空間ダイナミクスを捉えきれないことが多い。
注意機構やグラフニューラルネットワークに基づく最近の時空間アーキテクチャは精度を向上させる一方で、高い計算オーバーヘッドを伴い、大規模またはリアルタイム設定での適用性を制限している。
我々は、各時刻が交通量の2次元格子である時空間グリッド予測を研究し、前のパッチを用いて次のグリッドパッチを予測する。
畳み込み選択的状態空間モデル（SSM）であるNeST-S6を提案する。空間PDE対応コアを備え、ネスト学習パラダイムで実装される。局所的な畳み込みによる空間ミキシングが空間PDE対応SSMコアへ供給され、1ステップ予測誤差が未モデリングのダイナミクスを示すときに、ネスト学習型の長期メモリが学習済みオプティマイザによって更新される。
モバイルトラフィックグリッド（Milanデータセット）の3つの解像度（202、502、1002）で、NeST-S6は単一ステップおよび6ステップの自己回帰ロールアウトの両方で、強力なMambaファミリー系ベースラインより誤差を小さくする。
ドリフト耐性テストの下で、モデルのネスト型メモリは、メモリなしのアブレーションと比較してMAEを48–65％低減する。
NeST-S6はまた、競合する画素単位のスキャンモデルと比較して全グリッドの再構成を32倍速くし、MACsを4.3倍削減し、画素あたりRMSEを61％低減している。