Spatial linear transformer and temporal convolution network for traffic flow prediction

Abstract

Accurately obtaining accurate information about the future traffic flow of all roads in the transportation network is essential for traffic management and control applications. In order to address the challenges of acquiring dynamic global spatial correlations between transportation links and modeling time dependencies in multi-step prediction, we propose a spatial linear transformer and temporal convolution network (SLTTCN). The model is using spatial linear transformers to aggregate the spatial information of the traffic flow, and bidirectional temporal convolution network to capture the temporal dependency of the traffic flow. The spatial linear transformer effectively reduces the complexity of data calculation and storage while capturing spatial dependence, and the time convolutional network with bidirectional and gate fusion mechanisms avoids the problems of gradient vanishing and high computational cost caused by long time intervals during model training. We conducted extensive experiments using two publicly available large-scale traffic data sets and compared SLTTCN with other baselines. Numerical results show that SLTTCN achieves the best predictive performance in various error measurements. We also performed attention visualization analysis on the spatial linear transformer, verifying its effectiveness in capturing dynamic global spatial dependency.

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

“…Многочисленные исследования статистических характеристик сетевого трафика и сетевых компьютерных атак (КА) показывают наличие у них свойств фрактальности или самоподобия, а также изменчивость показателей, характеризующих фрактальные свойства [1][2][3]. Для оценки степени самоподобия используются понятия фрактальной размерности (ФР) множества (по Хаусдорфу) D и показатель Херста H, характеризующий степень самоподобия процесса, связанные между собой соотношением: D = 2 -H.…”

“…В подавляющем большинстве работ в области телек оммуникаций 7 [2][3][4] используется именно показатель Херста H, отличающийся от D на фиксированную величину. Поэтому в дальнейшем в качестве оценки ФР нормального трафика и КА будем использовать оценки показателя Херста.…”

“…Помимо перечисленных, при формировании атрибутов КА и нормального трафика список статистик вычисляемых из инкрементальной статистики ISi,λ, включал также коэффициенты ковариации cov(x i ,x j ) и корреляции R ij , дополнительные двумерные статистики 2 . После предобработки, используя перечисленные статистики для пяти значений коэффициента «старения» данных λ: 5,3,1,0.1,0.01 сформировано 115 атрибутов [17].…”

Spatial–Temporal Fusion Gated Transformer Network (STFGTN) for Traffic Flow Prediction

“…Therefore, the static adjacency matrix constructed by GCNs fails to accurately capture the dynamic nature of traffic diffusion. In recent years, popular GCNs can be classified into three main types: spectral GCN [33,34], ChebNet [35], and GAT [36]. With regard to spectral GCN, Bruna et al used Fourier transform to convert graph signals in the spatial domain to the spectral domain for convolution computations.…”