Chebyformer: Düğüm Bazlı Filtreleme ile Trafik Akış Tahmini

Abstract

Akıllı Ulaşım Sistemleri (AUS) için doğru trafik akışı tahmini, tıkanıklığı ve karbon emisyonlarını azaltmak için olmazsa olmaz bir kilometre taşıdır. Uzaysal-Zamansal Grafik Sinir Ağları (STGNN'ler) bu görev için standart haline gelmiş olsa da, mevcut modellerin çoğu, trafik düzenlerinin tüm trafik ağı boyunca homojen olduğunu varsayarak küresel spektral filtrelere dayanmaktadır. Bu yaklaşım, farklı sensörlerin farklı fiziksel davranışlar gösterdiği trafiğin heterofilik doğasını yakalamada başarısız olmaktadır. Bu sınırlamayı azaltmak için, bu tez yeni bir hibrit mimari olan ChebyFormer'ı önermektedir. Model, sayısal olarak kararlı spektral özellik çıkarımı sağlamak için Chebyshev-Garnoldi algoritmasını ve uyarlanabilir, düğüm bazlı spektral filtreleri öğrenmek için PolyFormer dikkat mekanizmasını entegre etmektedir. Model, iki genel veri kümesi (PeMSD4, PeMSD8) ve Kayseri'den yeni toplanan bir gerçek dünya veri kümesi üzerinde değerlendirilmiştir. Deneysel sonuçlar, ChebyFormer'ın kısa ve uzun vadeli tahminlerde Ortalama Mutlak Hata (MAE) ve Karesel Ortalama Hata (RMSE) açısından en son temel modellerden (APPNP, GPRGNN) sürekli olarak daha iyi çalıştığını göstermektedir. Öğrenilen filtrelerin ek nitel analizi, modelin farklı trafik düzenleri arasında ayrım yapma yeteneğini doğrulayarak, kentsel trafik tahmininde düğüm bazlı filtrelemenin gerekliliğini doğrulamaktadır.

Precise traffic flow prediction is a critical achievement for Intelligent Transportation Systems (ITS), crucial for reducing congestion and carbon emissions. Although Spatio-Temporal Graph Neural Networks (STGNNs) have established themselves as the benchmark for this task, most existing models rely on global spectral filters, assuming that traffic patterns are homogenous across the entire traffic network. This approach fails to capture the heterophilic nature of traffic, where different sensors show distinct physical behaviors. This thesis introduces ChebyFormer, a novel hybrid architecture to address this restriction. The model integrates the Chebyshev-Garnoldi algorithm to ensure numerically stable spectral feature extraction and the PolyFormer attention mechanism to learn adaptive, node-wise spectral filters. The model is assessed using two public datasets (PeMSD4, PeMSD8) and a freshly acquired real-world dataset from Kayseri. Experimental results demonstrate that ChebyFormer consistently works better than the leading baselines (APPNP, GPRGNN) regarding Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) in short-term and long-term predictions. Additional qualitative analysis of the learnt filters confirms the model's capacity to separate between traffic patterns, validating the necessity of node-wise filtering in urban traffic forecasting.