GC-MoE: графовая нейросеть с персонализированными экспертами для прогноза трафика
Группа исследователей разработала метод GC-MoE (Graph-Conditioned Mixture of Experts) для прогнозирования дорожного трафика на основе данных с датчиков. Подход использует нейросетевую архитектуру, которая для каждого сенсора подбирает индивидуальный набор экспертных моделей.
Традиционные модели применяют единый алгоритм ко всем узлам графа, хотя сегменты дорог различаются по функциональному классу, структуре и поведению трафика. GC-MoE решает эту проблему, назначая каждому узлу персонализированную комбинацию замороженных предобученных экспертов на основе топологии графа и недавних данных.
Фреймворк объединяет несколько предобученных пространственно-временных графовых нейронных сетей (GNN) с легким модулем маршрутизации, который учитывает входные данные и пространственный контекст. Обучению подлежит только этот модуль (около 17 тыс. параметров), тогда как веса экспертов (1,5 млн параметров) остаются замороженными.
В качестве дополнительной опции исследователи предложили слой уточнения выходных данных с ограничением по графу. Адаптеры ST-LoRA рассматривались только в диагностических экспериментах.
Метод протестирован на четырех стандартных наборах данных: PEMS04, PEMS07, METR-LA и PEMS-BAY. GC-MoE показал улучшение средней абсолютной ошибки (MAE) по сравнению с нуль-параметрическим ансамблем при конкурентоспособных RMSE и MAPE.
Авторы опубликовали реализацию в открытом доступе на GitHub. Разработка может повысить точность систем умного города и управления транспортными потоками.
