STAGformer: революция в прогнозировании спроса на микромобильность

Прогнозирование спроса на станциях проката велосипедов и самокатов — одна из ключевых задач для операторов микромобильности. Точность таких прогнозов напрямую влияет на эффективность перераспределения транспорта, удовлетворенность пользователей и прибыльность сервиса. Новая архитектура нейросети STAGformer (Spatio-Temporal Agent Graph Transformer), представленная в препринте arXiv, предлагает кардинально иной подход к этой проблеме. Модель использует механизм внимания с обучаемыми агентами, что позволяет снизить вычислительную сложность с квадратичной O(NT) до линейной O(NT). Это открывает возможности для обработки крупных городских сетей с тысячами станций без потери точности.

Как работает STAGformer

Архитектура STAGformer состоит из четырех ключевых модулей, каждый из которых отвечает за определенный аспект данных. Первый — пространственно-временной энкодер, который объединяет динамические признаки узлов (например, текущее количество свободных мест) с внешними факторами: погодой, временем суток, днем недели и данными о точках интереса (POI). Это позволяет модели учитывать контекст, влияющий на спрос.

Второй модуль — графовый, он агрегирует информацию от соседних станций. Поскольку спрос на велосипеды часто коррелирует между близлежащими станциями, этот модуль помогает улавливать локальные пространственные зависимости. Третий модуль — сверточный, он отвечает за локальные временные паттерны, такие как утренние и вечерние пики.

Как механизм внимания с агентами снижает вычислительную сложность?

Ключевое новшество STAGformer — четвертый модуль внимания с агентами. В традиционных трансформерах механизм внимания вычисляет попарные взаимодействия между всеми элементами последовательности, что приводит к квадратичной сложности O(N²). Для пространственно-временных данных размером N (станции) × T (временные шаги) это становится O(N²T²), что непрактично для больших сетей. STAGformer вводит небольшое количество обучаемых агентных токенов (например, 16 или 32). Эти токены сначала агрегируют информацию от всех станций и временных шагов, а затем распространяют её обратно. Таким образом, сложность снижается до O(NT) — линейной по числу элементов.

Почему STAGformer превосходит существующие методы

Эксперименты на реальных наборах данных NYC Citi-Bike и Chicago Divvy-Bike показали, что STAGformer превосходит современные методы (включая STGCN, ASTGCN и другие графовые нейросети) по метрикам RMSE и MAE. При этом модель требует значительно меньше вычислительных ресурсов, что подтверждает её практическую применимость.

Какие преимущества дает снижение сложности до линейной?

Линейная сложность означает, что STAGformer может обрабатывать сети с тысячами станций и длинные временные ряды без экспоненциального роста затрат. Это особенно важно для крупных городов, где системы проката насчитывают сотни и тысячи станций. Кроме того, модель легко масштабируется: добавление новых станций не требует пересчета всех попарных взаимодействий, достаточно обновить агентные токены.

Кому будет полезен STAGformer

В первую очередь, операторам систем проката велосипедов и микромобильности. Точное прогнозирование спроса позволяет оптимизировать маршруты перераспределения транспорта, снижать количество пустых или переполненных станций, а также планировать техническое обслуживание. Исследователи в области прогнозирования временных рядов и транспортного моделирования также могут использовать STAGformer как новую базовую линию для своих задач.

Что пока остается неизвестным

В статье не сообщается о реальном внедрении модели в коммерческие системы. Также не приведены результаты на других типах микромобильности, таких как электросамокаты, которые имеют иные паттерны спроса. Кроме того, не исследована устойчивость модели к резким изменениям внешних условий, например, к временному закрытию станций или массовым мероприятиям. Эти аспекты могут стать предметом будущих исследований.

Перспективы развития технологии

STAGformer открывает путь к созданию универсальных моделей прогнозирования для городской инфраструктуры. В будущем архитектура может быть адаптирована для прогнозирования загрузки такси, каршеринга или даже общественного транспорта. Возможно также объединение агентного внимания с другими типами нейросетей, например, с рекуррентными блоками для учета долгосрочных зависимостей.

Таким образом, STAGformer представляет собой значительный шаг вперед в области прогнозирования спроса на микромобильность. Благодаря снижению вычислительной сложности и высокой точности, модель имеет все шансы стать стандартом для индустрии. Операторам сервисов стоит внимательно следить за развитием этой технологии, а исследователям — использовать её в качестве основы для новых разработок.