ترجمه فارسی مقاله OpenCity: مدل‌های پایه مکانی-زمانی باز برای پیش‌بینی ترافیک

چکیده

Accurate traffic forecasting is crucial for effective urban planning and transportation management, enabling efficient resource allocation and enhanced travel experiences. However, existing models often face limitations in generalization, struggling with zero-shot prediction on unseen regions and cities, as well as diminished long-term accuracy. This is primarily due to the inherent challenges in handling the spatial and temporal heterogeneity of traffic data, coupled with the significant distribution shift across time and space. In this work, we aim to unlock new possibilities for building versatile, resilient and adaptive spatio-temporal foundation models for traffic prediction. To achieve this goal, we introduce a novel foundation model, named OpenCity, that can effectively capture and normalize the underlying spatio-temporal patterns from diverse data characteristics, facilitating zero-shot generalization across diverse urban environments. OpenCity integrates the Transformer architecture with graph neural networks to model the complex spatio-temporal dependencies in traffic data. By pre-training OpenCity on large-scale, heterogeneous traffic datasets, we enable the model to learn rich, generalizable representations that can be seamlessly applied to a wide range of traffic forecasting scenarios. Experimental results demonstrate that OpenCity exhibits exceptional zero-shot predictive performance. Moreover, OpenCity showcases promising scaling laws, suggesting the potential for developing a truly one-for-all traffic prediction solution that can adapt to new urban contexts with minimal overhead. We made our proposed OpenCity model open-source and it is available at the following link: https://github.com/HKUDS/OpenCity.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق ترافیک برای برنامه ریزی مؤثر در برنامه ریزی شهری و مدیریت حمل و نقل ، امکان تخصیص منابع کارآمد و افزایش تجربیات سفر بسیار مهم است.با این حال ، مدلهای موجود غالباً در تعمیم با محدودیت هایی روبرو هستند ، با پیش بینی صفر در مناطق و شهرهای غیب و همچنین از دقت طولانی مدت کم می شوند.این در درجه اول به دلیل چالش های ذاتی در رسیدگی به ناهمگونی مکانی و زمانی داده های ترافیکی است که همراه با تغییر توزیع قابل توجه در طول زمان و مکان است.در این کار ، ما هدف ما باز کردن امکانات جدید برای ساخت مدلهای بنیاد فضا-زمانی همه کاره ، مقاوم و تطبیقی ​​برای پیش بینی ترافیک است.برای دستیابی به این هدف ، ما یک مدل بنیادی جدید با نام OpenCity را معرفی می کنیم که می تواند الگوهای فضایی و زمانی اساسی را از ویژگی های داده های متنوع ضبط و عادی کند و تعمیم صفر را در محیط های متنوع شهری تسهیل کند.OpenCity معماری ترانسفورماتور را با شبکه های عصبی نمودار ادغام می کند تا از وابستگی های فضا-زمانی پیچیده در داده های ترافیکی مدل سازی کند.با استفاده از OpenCity قبل از آموزش در مجموعه داده های ترافیک در مقیاس بزرگ ، ما این مدل را قادر می سازیم تا بازنمایی های غنی و قابل تعمیم را بیاموزند که می تواند یکپارچه برای طیف گسترده ای از سناریوهای پیش بینی ترافیک اعمال شود.نتایج تجربی نشان می دهد که OpenCity عملکرد پیش بینی کننده صفر استثنایی را نشان می دهد.علاوه بر این ، OpenCity به ویترین قوانین مقیاس پذیر ، نشان می دهد که پتانسیل ایجاد یک راه حل پیش بینی ترافیک واقعاً یک برای همه را نشان می دهد که می تواند با حداقل سربار با زمینه های شهری جدید سازگار شود.ما مدل OpenCity پیشنهادی خود را باز کردیم و در لینک زیر موجود است: https://github.com/hkuds/opencity.