ترجمه فارسی مقاله الگوی تطبیق شبکه حافظه پویا برای پیش بینی ترافیک حالت دوگانه

چکیده

In recent years, deep learning has increasingly gained attention in the field of traffic prediction. Existing traffic prediction models often rely on GCNs or attention mechanisms with O(N^2) complexity to dynamically extract traffic node features, which lack efficiency and are not lightweight. Additionally, these models typically only utilize historical data for prediction, without considering the impact of the target information on the prediction. To address these issues, we propose a Pattern-Matching Dynamic Memory Network (PM-DMNet). PM-DMNet employs a novel dynamic memory network to capture traffic pattern features with only O(N) complexity, significantly reducing computational overhead while achieving excellent performance. The PM-DMNet also introduces two prediction methods: Recursive Multi-step Prediction (RMP) and Parallel Multi-step Prediction (PMP), which leverage the time features of the prediction targets to assist in the forecasting process. Furthermore, a transfer attention mechanism is integrated into PMP, transforming historical data features to better align with the predicted target states, thereby capturing trend changes more accurately and reducing errors. Extensive experiments demonstrate the superiority of the proposed model over existing benchmarks. The source codes are available at: https://github.com/wengwenchao123/PM-DMNet.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، یادگیری عمیق به طور فزاینده ای در زمینه پیش بینی ترافیک توجه کرده است.مدلهای پیش بینی ترافیک موجود اغلب به GCN یا مکانیسم توجه با پیچیدگی O (N^2) متکی هستند تا به صورت پویا از ویژگی های گره ترافیک استخراج شوند ، که فاقد کارآیی هستند و سبک نیستند.علاوه بر این ، این مدل ها به طور معمول فقط از داده های تاریخی برای پیش بینی استفاده می کنند ، بدون در نظر گرفتن تأثیر اطلاعات هدف بر پیش بینی.برای پرداختن به این موضوعات ، ما یک شبکه حافظه پویا (PMNET) با الگوی مطابقت را پیشنهاد می کنیم.PM-DMNET از یک شبکه حافظه پویا جدید برای ضبط ویژگی های الگوی ترافیک تنها با پیچیدگی O (N) استفاده می کند ، و ضمن دستیابی به عملکرد عالی ، سربار محاسباتی را به میزان قابل توجهی کاهش می دهد.PM-DMNET همچنین دو روش پیش بینی را معرفی می کند: پیش بینی چند مرحله ای بازگشتی (RMP) و پیش بینی موازی چند مرحله ای (PMP) ، که از ویژگی های زمان اهداف پیش بینی برای کمک به فرایند پیش بینی استفاده می کند.علاوه بر این ، یک مکانیسم توجه انتقال در PMP ادغام می شود و ویژگی های داده های تاریخی را به هماهنگی بهتر با حالت های هدف پیش بینی شده تبدیل می کند ، در نتیجه تغییرات روند را با دقت بیشتری تغییر می دهد و خطاها را کاهش می دهد.آزمایش های گسترده برتری مدل پیشنهادی نسبت به معیارهای موجود را نشان می دهد.کدهای منبع در: https://github.com/wengwenchao123/pm-dmnet در دسترس هستند.