Обсуждение статьи "Нейросети в трейдинге: Иерархический векторный Transformer (HiVT)"

[MetaQuotes]

Опубликована статья Нейросети в трейдинге: Иерархический векторный Transformer (HiVT):

Предлагаем познакомиться с методом Иерархический Векторный Transformer (HiVT), который был разработан для быстрого и точного прогнозирования мультимодальных временных рядов.

Проблемы, решаемые в области автономного вождения, во многом пересекаются с задачами, которые стоят перед трейдерами. Навигация в динамичных условиях безопасным маневром — это критическая задача для автономных транспортных средств. Для достижения этой цели такие автомобили должны понимать окружающую обстановку и прогнозировать будущие события на дороге. Однако точное прогнозирование маневров ближайших участников дорожного движения, таких как автомобили, велосипеды и пешеходы, является сложной задачей, особенно когда их цели или намерения неизвестны. В многопользовательских сценариях дорожного движения поведение агента формируется под влиянием сложных взаимодействий с другими агентами, что дополнительно усложняется правилами дорожного движения, зависящими от карты, что делает понимание разнообразного поведения нескольких агентов на сцене чрезвычайно сложным.

В последних исследованиях используют векторизованный подход для более компактного представления сцен, извлекая набор векторов или точек из траекторий и элементов карты. Однако существующие векторизованные подходы сталкиваются с проблемами при необходимости выполнения прогнозирования движения в реальном времени в условиях быстро меняющегося дорожного трафика. Поскольку такие методы обычно неустойчивы к изменениям положения и ориентации системы координат. Для смягчения этой проблемы сцены нормализуются так, чтобы они были центрированы на целевом агенте и выровнены по направлению его движения. Этот подход становится проблематичным, когда необходимо прогнозировать движение большого числа агентов на сцене, из-за высоких вычислительных затрат на повторную нормализацию сцены и повторное вычисление признаков для каждого целевого агента. Кроме того, существующие работы моделируют взаимосвязи всех элементов во всех измерениях пространства и времени, чтобы зафиксировать детализированные взаимодействия между векторизованными элементами, что неизбежно приводит к чрезмерным вычислительным затратам по мере увеличения количества элементов. Поскольку точное прогнозирование в реальном времени критически важны для безопасности автономного вождения, многие исследователи стремятся вывести этот процесс на новый уровень, разработав новую структуру, позволяющую быстрее и точнее прогнозировать движение множества агентов.

Один из таких подходов был представлен в статье "HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction". Он использует симметрии и иерархическую структуру задачи прогнозирования движения множества агентов. Авторы HiVT рассматривают задачу прогнозирования движения в несколько этапов и иерархически моделируют взаимосвязи между элементами с помощью Transformer.

Автор: Dmitriy Gizlyk