FAST: 注意機構と状態空間モデルのための相乗的フレームワークによる時空間交通予測

要旨: 交通予測では、大規模なセンサーネットワーク上で複雑な時系列ダイナミクスと、長距離の空間的依存関係をモデル化する必要がある。既存手法は一般に、表現力と効率の間でトレードオフが生じる。すなわち、Transformerベースのモデルはグローバルな依存関係をうまく捉える一方で二次計算量の問題があり、近年の選択的状態空間モデルは計算効率に優れるものの、グラフ構造化された交通データにおける空間的相互作用のモデリングにはあまり有効ではない。そこで本研究では、拡張可能な時空間交通予測のために、注意機構と状態空間モデリングを統合した統一フレームワークFASTを提案する。FASTは、Temporal-Spatial-Temporal（時空時）アーキテクチャを採用しており、時間方向の注意モジュールが短期および長期の時間パターンの両方を捉え、Mambaベースの空間モジュールは線形計算量で長距離のセンサ間依存をモデル化する。さらに、異質な交通状況をより適切に表現するために、FASTは、履歴の交通流、時間的文脈、ノードレベルの情報を統合する学習可能なマルチソース時空間埋め込みを導入し、階層的な特徴融合のためのマルチレベルのスキップ予測メカニズムも併せて提案する。PeMS04、PeMS07、PeMS08での実験により、FASTがTransformer、GNN、注意機構、Mambaベースのファミリからなる強力なベースラインを一貫して上回ることが示される。とりわけ、FASTは3つのベンチマークすべてで最良のMAEとRMSEを達成し、最も強いベースラインと比べてRMSEを最大4.3 ext%下回り、MAEを最大2.8 ext%下回る。これは、精度、拡張性、汎化性能の間で好ましいバランスが得られていることを示している。