FreMo: как частотная область повышает точность прогнозов мультимодального транспорта

Прогнозирование мультимодальных транспортных потоков — сложная задача, поскольку разные виды транспорта (автомобили, автобусы, метро) имеют различные частотные характеристики и взаимодействуют на разных частотах неравномерно. Новая модель FreMo (Frequency-Domain Multi-Modality modeling), описанная в препринте на arXiv, предлагает инновационный подход: она работает в частотной области, а не во временной, что позволяет точнее разделять и синтезировать сигналы от разных видов транспорта. Это может существенно повысить качество прогнозов в реальных городских сценариях.

Как работает FreMo

FreMo состоит из двух ключевых модулей: Modality-Wise Frequency Filter (MFF) и Frequency-Guided Synergy Integrator (FSI). Первый модуль адаптивно фильтрует спектральные компоненты каждого вида транспорта, усиливая информативные частоты и подавляя шум. Второй модуль селективно объединяет информацию от разных модальностей на основе их относительного вклада на каждой частоте, что улучшает обмен знаниями и уменьшает негативный перенос. Такой подход позволяет модели эффективно учитывать, что, например, автомобильный трафик может иметь более высокочастотные колебания, чем общественный транспорт, и их взаимодействие происходит нелинейно.

Почему частотная область лучше временной

Традиционные модели прогнозирования временных рядов работают во временной области, где сигналы разных модальностей смешиваются, что затрудняет выделение индивидуальных паттернов. Переход в частотную область дает возможность разделить сигналы по их частотным составляющим. Это особенно важно для мультимодальных систем, где разные виды транспорта имеют разные доминирующие частоты: например, автомобили могут иметь суточные и часовые циклы, а метро — более регулярные интервалы. FreMo использует это различие для более точного прогнозирования.

Как FreMo справляется с шумом в данных?

Одной из ключевых проблем прогнозирования транспортных потоков является шум — случайные колебания, вызванные погодой, авариями или другими факторами. Модуль MFF в FreMo специально разработан для фильтрации шума: он анализирует спектр каждого вида транспорта и подавляет частоты, которые не несут полезной информации. Это позволяет модели сосредоточиться на значимых паттернах и повышает устойчивость к выбросам.

Преимущества FreMo перед аналогами

FreMo является легковесной моделью, которая может быть интегрирована как plug-and-play компонент с любыми базовыми архитектурами временных рядов, такими как LSTM или Transformer. Эксперименты на реальных наборах данных показали, что FreMo превосходит современные baseline-модели по точности и обобщающей способности. В частности, модель демонстрирует лучшие результаты на метриках MAE и RMSE, особенно в сценариях с высокой мультимодальностью, где традиционные модели часто терпят неудачу из-за негативного переноса между модальностями.

Кому будет полезна новая модель

Разработчики систем управления транспортом смогут использовать FreMo для создания более точных прогнозов загрузки дорог и расписаний общественного транспорта. Городские планировщики получат инструмент для анализа мультимодальных взаимодействий, что поможет оптимизировать транспортную инфраструктуру. Исследователи в области прогнозирования временных рядов и мультимодального машинного обучения найдут в FreMo новый подход к обработке разнородных сигналов. Компании, занимающиеся интеллектуальными транспортными системами, могут интегрировать модель в свои продукты для повышения качества сервиса.

Ограничения и нерешенные вопросы

На данный момент остается неясным, как модель поведет себя в условиях экстремальных событий, таких как аварии или массовые мероприятия, когда транспортные потоки резко отклоняются от обычных паттернов. Также не раскрыта вычислительная сложность FreMo по сравнению с другими методами — хотя модель заявлена как легковесная, конкретные показатели времени обучения и инференса не приведены. Кроме того, требуется дополнительное тестирование на устойчивость к изменениям в структуре транспортной сети, например, при открытии новых станций метро или изменении маршрутов автобусов.

Перспективы развития

FreMo открывает новое направление в прогнозировании мультимодального транспорта — использование частотной области для разделения и синтеза сигналов. В будущем исследователи могут расширить модель для работы с дополнительными модальностями, такими как данные о погоде или событиях, а также адаптировать ее для прогнозирования в реальном времени. Возможно, появятся гибридные подходы, сочетающие частотную и временную области для еще более точных прогнозов.