ГАЗ-ПФН: Спатиотемпературные сети предварительного представления данных для прогнозирования движения с нулевым числом выстрелов

arXiv: 261 030,375998v1 Тип уведомления: новое резюме: прогнозирование движения требует моделирования сложной временной динамики и пространственных зависимостей, навязанных дорожным топологией. Регулируемые модели на основе графов достигают высоких показателей, но часто проходят подготовку для конкретного набора данных и графика датчика, что делает внедрение в новые или эволюционирующие сети дорогостоящим. Сети, оснащенные предварительными данными (ССД), предлагают альтернативу с нулевым исходом путем изучения выводов в контекстах на основе синтетических задачных априори, которые обеспечивают четкий механизм кодировки предположений по конкретным доменам. Вместе с тем существующие прогнозы ПФН не отражают четко структурированные графики зависимости, регулирующие динамику движения. Для того чтобы сочетать графопонимающую модель движения с нулевой адаптацией, мы введем Graph-Aware Spatiotemporal Preferor Filding Network (GAS-PFN). ГАЗ-ПФН включает пробную дорожную топологию в свою задачу синтетического характера, прежде чем ее можно будет использовать для распространения на случайной основе, обучая эту модель изучению динамики графиков в ходе предварительной подготовки. Его