Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting
Northeastern University（东北大学）；Technical University of Munich（慕尼黑工业大学）
短时交通量预测是智能交通系统研究的热点。然而，大多数现有的预测系统是有限的实时探测车数据的要求，因为它们的配方作为一个时间序列预测问题。针对这一问题，NeurIPS 2022年的交通流4cast挑战赛致力于利用公开的稀疏循环计数数据预测全市范围的交通状态。本技术报告介绍了我们的第二名获奖解决方案，以应对ETA预测的扩展挑战。我们提出了一种基于相似性的特征提取方法，使用多个最近邻（NN）过滤器。提取了基于相似性的特征、静态特征、节点流特征和片段组合特征，用于训练梯度提升决策树模型。在三个城市（包括伦敦，马德里和墨尔本）的实验结果表明，我们的方法具有很强的预测性能，在行程时间估计任务中优于一些基于图神经网络的解决方案。源代码可从\url{https://github.com/c-lyu/Traffic4Cast2022-TSE}获得。
2022-11-13 cs.LG
HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic Forecasting
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）；Department of Planning, Design, and Technology of Architecture, Sapienza University of Rome（罗马大学建筑规划、设计与技术系）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院）
HUTFormer通过分层U-Net变换器解决长期交通预测问题，采用多尺度表示和高效嵌入策略提升预测性能。
2025-12-20 cs.LG
Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting
Argonne National Laboratory（阿贡国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
基于深度学习的数据驱动预测方法在交通预测方面取得了令人印象深刻的结果。然而，这些方法的一个主要局限性是，它们提供的预测没有估计的不确定性，这是实时部署的关键。我们专注于扩散卷积递归神经网络（DCRNN），一个国家的最先进的短期交通预测方法。我们开发了一种可扩展的深度集成方法来量化DCRNN的不确定性。我们的方法使用了一个可扩展的贝叶斯优化方法来执行超参数优化，选择一组高性能的配置，适合生成模型捕捉的联合分布的超参数配置，并训练一个整体的模型通过采样一组新的超参数配置从生成模型。通过与其他不确定性估计技术的比较，我们证明了所提出的方法的有效性。我们表明，我们的通用和可扩展的方法优于目前最先进的贝叶斯和其他一些常用的频率论技术。
2022-04-05 cs.LG
FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting
Department of Computer Science and Engineering, University of North Texas（计算机科学与工程系，北卡罗来纳州立大学）
本文面向事件感知交通预测，提出FUSE-Traffic以融合非结构化与结构化数据，克服传统GNN依赖人工事件特征、泛化性弱及语义损失的问题。
2025-10-16 cs.AI cs.LG
Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting
University of Arizona（亚利桑那大学）；Argonne National Laboratory（阿贡国家实验室）
针对交通数据的多尺度时空特性，本文提出 WavGCRN，利用 DWT 分解、多流 GCRN 编码及可学习逆变换解码，并融合先验与数据驱动图结构，实现可解释且性能先进的交通预测。
2024-03-04 cs.LG
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
University of Hong Kong（香港大学）；Massachusetts Institute of Technology（麻省理工学院）；City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
准确的实时交通预测对于智能交通系统（ITS）至关重要，它是各种智能移动应用的基石。虽然这一研究领域由深度学习主导，但最近的研究表明，通过开发新的模型结构来提高准确性的效果正在变得微不足道。相反，我们设想可以通过在具有不同数据分布和网络拓扑的城市之间传输“预测相关知识”来实现改进。为此，本文旨在提出一种新的可转移的流量预测框架：域对抗时空网络（DASTNet）。DASTNet在多个源网络上进行预训练，并根据目标网络的流量数据进行微调。具体来说，我们利用图表示学习和对抗性领域自适应技术来学习域不变的节点嵌入，这进一步被纳入建模的时间流量数据。据我们所知，我们是第一个采用对抗性多领域自适应的网络范围内的流量预测问题。DASTNet在三个基准数据集上的性能始终优于所有最先进的基线方法。经过训练的DASTNet应用于香港的新交通探测器，当探测器可用时，可以立即（在一天内）提供准确的交通预测。总体而言，本研究提出了一种替代方案，以提高交通预测方法，并提供了实际意义的城市缺乏历史交通数据。
2022-08-19 cs.AI cs.LG
SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network
Independent University, Bangladesh（孟加拉国独立大学）
为了捕捉交通数据中的空间关系和时间动态，交通预测的时空模型近年来引起了人们的极大关注。最近的工作大多采用多层图神经网络（GNN）来捕获空间依赖性。然而，具有不同跳距的路口可以携带不同的交通信息，这些交通信息应该单独利用，但是现有的多层GNN无法区分它们的影响。同样，为了捕捉时间的相互关系，递归神经网络在最先进的方法中很常见，这些方法通常无法捕捉长期依赖关系。此外，交通数据显示每天或每周的重复模式，应明确解决。为了解决这些限制，我们设计了一个简化的时空交通预测GNN（SST-GNN），有效地编码的空间依赖性分别聚合不同的邻域表示，而不是与多个层和捕获的时间依赖性与一个简单而有效的加权时空聚合机制。我们捕获的周期性的交通模式，通过使用一种新的位置编码方案与历史和当前的数据在两个不同的模型。通过广泛的实验分析，我们已经表明，我们的模型在性能测量系统（PeMS）的三个真实世界的流量数据集上的表现明显优于最先进的模型。
2021-03-31 cs.LG
Graph Neural Networks for Traffic Forecasting
Laboratório Nacional de Engenharia Civil（国家土木工程实验室）；INESC-ID；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）
世界人口和城市化的显著增长带来了一些重大挑战，特别是在城市交通的可持续性、维护和规划方面。与此同时，计算能力以及可用传感器和位置数据的指数级增长为这些挑战的创新解决方案提供了潜力。在这项工作中，我们专注于交通预测的挑战和审查的最新发展和应用的图神经网络（GNN），这个问题。GNN是一类深度学习方法，直接将输入作为图形数据处理。这更直接地利用了交通数据的空间依赖性，并利用了深度学习的优势，产生了最先进的结果。我们介绍并回顾了GNN的新兴主题，包括它们最常见的变体，重点是它在流量预测中的应用。我们解决了不同的方式建模交通预测（时间）图，不同的方法开发到目前为止，结合图形和时间学习组件，以及目前的限制和研究机会。
2021-04-27 cs.AI cs.LG
PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting
Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出PGCN交通预测框架，通过在训练和测试阶段逐步适应在线输入数据构建渐进式邻接矩阵，结合膨胀因果卷积提取时空特征，在七个真实数据集上取得一致的最先进性能。
2024-03-21 cs.LG
Graph Convolutional Networks for Traffic Forecasting with Missing Values
Technology Innovation Institute（技术创新研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）
交通预测近来引起了广泛的关注。实际上，流量数据通常包含由于传感器或通信错误而导致的缺失值。交通数据中的时空特征为处理此类缺失值带来了更多挑战，经典技术（例如，数据估算）有限：1）在时间轴上，数值可以随机或连续缺失; 2）在空间轴上，缺失值可以发生在单个传感器上，也可以同时发生在多个传感器上。基于图神经网络的最新模型在交通预测任务上取得了令人满意的性能。然而，它们中很少有适用于这样一个复杂的缺失值上下文。为此，我们提出了GCN-M，一个图卷积网络模型，能够处理复杂的缺失值的时空背景下。特别是，我们联合模型的缺失值处理和交通预测任务，同时考虑本地时空特征和全球的历史模式在基于注意力的记忆网络。我们还提出了一个动态图学习模块的基础上学习的局部-全局功能。在真实数据集上的实验结果表明了该方法的可靠性。
2022-12-13 cs.AI cs.LG
Message Passing Neural Networks for Traffic Forecasting
RMIT University（皇家墨尔本理工大学）；Data61/CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）；UNSW（新南威尔士大学）；UC Davis（加州大学戴维斯分校）；ANU（澳大利亚国立大学）
本文提出消息传递GNN用于交通预测，以捕捉节点交互，实验证明其在真实与合成数据上均优于其他GNN风格。
2023-05-09 cs.LG cs.SI
Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention
Sorbonne University（索邦大学）；Indian Institute of Science, Education and Research, Kolkata（印度科学教育与研究学院（加尔各答））；International Institute of Information Technology, Bangalore（班加罗尔国际信息技术学院）
本文提出W-DSTAGNN，利用小波分解与时间注意力建模动态时空依赖，在三个公开交通数据集上优于十个基线，并支持可靠长期点预测与区间概率预测。
2024-09-21 cs.LG cs.NE
Do We Really Need Graph Neural Networks for Traffic Forecasting?
National University of Singapore（新加坡国立大学）；University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）
时空图神经网络（STGNN）已成为最流行的交通预测解决方案。虽然成功，但它们依赖于GNN的消息传递方案来建立节点之间的空间依赖关系，因此不可避免地继承了GNN臭名昭著的低效率。鉴于这些事实，在本文中，我们提出了一个非常简单但非常有效的时空学习方法，名为SimST。具体来说，SimST通过两种空间学习技术来近似GNN的功效，这两种空间学习技术分别对局部和全局空间相关性进行建模。此外，SimST可以与各种时间模型一起使用，并涉及量身定制的训练策略。我们进行了五个流量基准测试的实验，以评估SimST的效率和有效性方面的能力。实验结果表明，与更复杂的STGNN相比，SimST将预测吞吐量提高了39倍，同时获得了相当的性能，这表明GNN不是交通预测中空间建模的唯一选择。
2023-01-30 cs.LG cs.SI
Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting
Argonne National Laboratory（阿贡国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
公路交通建模和预测方法是智能交通系统的关键。最近，基于深度学习的交通预测方法已经成为广泛的交通预测任务的最新技术。然而，这些方法需要大量的训练数据，其需要在相当长的时间段内收集。这可能会对缺乏历史数据的高速公路网络的数据驱动学习方法的开发和部署提出许多挑战。解决这个问题的一个有前途的方法是迁移学习，其中在公路网的一部分上训练的模型可以适应公路网的不同部分。我们专注于扩散卷积递归神经网络（DCRNN），一个国家的最先进的图神经网络的公路网预测。它使用递归神经网络中基于图形的扩散卷积操作来模拟高速公路网络的复杂空间和时间动态。然而，DCRNN不能执行迁移学习，因为它学习特定于位置的流量模式，而这些流量模式不能用于网络中看不见的区域。为此，我们为DCRNN开发了一种新的迁移学习方法，其中在高速公路网络的数据丰富区域上训练的单个模型可用于预测高速公路网络中看不见的区域的交通。我们评估我们的方法来预测整个加州高速公路网的交通与一年的时间序列数据的能力。我们表明，TL-DCRNN可以从加州高速公路网络的几个地区学习，并预测交通网络的不可见的区域具有很高的精度。此外，我们证明了TL-DCRNN可以从旧金山地区的交通数据中学习，并可以预测洛杉矶地区的交通，反之亦然。
2020-04-20 cs.LG stat.ML
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
Peking University（北京大学）
交通流的时空数据预测是一个具有挑战性的任务，因为不同道路之间的复杂的空间依赖性和动态的时间模式的趋势。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间的相关性。然而，有限的表示给定的空间图结构与不完整的相邻连接可能会限制有效的时空依赖学习这些模型。为了克服这些局限性，本文提出了时空融合图神经网络（STFGNN）的交通流预测。SFTGNN可以有效地学习隐藏的时空依赖性，通过一种新的融合操作的各种空间和时间的图形，这是由数据驱动的方法产生的。同时，通过将该融合图模块和一种新的门控卷积模块集成到一个统一的层中，SFTGNN可以处理长序列。在几个公共交通数据集上的实验结果表明，我们的方法比其他基线一致地实现了最先进的性能。
2021-03-06 cs.AI cs.LG
Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data?
Delft University of Technology（代尔夫特理工大学）
本文提出不确定性感知的交通预测框架，结合交通流理论与图神经网络及证据学习，蒸馏环路检测器数据本质，证明仅约20%样本即可保持同等预测能力。
2023-10-31 cs.LG cs.SY eess.SY
Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
时空预测具有广泛的应用前景，交通流预测就是其中的典型代表。交通流的复杂性和大范围的时空相关性给交通流的预测带来了极大的挑战。现有的工作通常利用浅图卷积网络（GNN）和时间提取模块来分别建模空间和时间依赖性。然而，这种模型的表示能力是有限的，因为：（1）浅层GNN无法捕获长距离的空间相关性，（2）只考虑空间连接，而忽略了大量的语义连接，这对于全面理解交通网络非常重要。为此，我们提出了时空图常微分方程网络（STGODE）。具体而言，我们通过基于张量的常微分方程（ODE）捕获时空动态，因此，可以构建更深层次的网络，并同步利用时空特征。为了更全面地理解网络，在我们的模型中考虑了语义邻接矩阵，并使用了一个精心设计的时间扩展卷积结构来捕获长期的时间依赖性。我们在多个真实世界的流量数据集上评估了我们的模型，并在最先进的基线上实现了卓越的性能。
2021-06-24 cs.LG
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
UNSW（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Griffith University（格里菲斯大学）
在相关的时间序列数据中建模复杂的空间和时间相关性对于理解交通动态和预测不断发展的交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图神经网络架构，以捕捉共享模式的帮助下，预定义的图。在本文中，我们认为，学习节点特定的模式是必不可少的流量预测，而预定义的图是可以避免的。为此，我们提出了两个自适应模块，以增强图卷积网络（GCN）的新功能：1）节点自适应参数学习（NAPL）模块捕捉节点特定的模式; 2）数据自适应图生成（DAGG）模块，自动推断不同的流量序列之间的相互依赖关系。我们进一步提出了一个自适应图卷积递归网络（AGCRN）自动捕获细粒度的空间和时间相关性的流量序列的基础上的两个模块和递归网络。我们在两个真实世界的流量数据集上的实验表明，AGCRN在没有预定义的空间连接图的情况下，性能明显优于最先进的算法。
2020-10-22 cs.LG stat.ML
Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting
Hongkong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对交通预测中性能提升递减及未考虑时空异质性的问题，提出STGormer模型，通过整合时空编码与混合专家模块捕获异质性，在真实数据集上实现了最先进的预测性能。
2024-08-25 cs.LG
TD-STGT: A Spatio-Temporal Graph Transformer for Mobile Traffic Demand Forecasting
Communications Research Centre Canada（加拿大通信研究中心）；Carleton University（卡尔顿大学）
本文提出TD-STGT时空图变换器，利用人口规模需求代理预测细粒度移动流量需求变化，在加拿大五个都市区实验中达到最优性能，为5G/6G网络容量升级提供决策支持。
2026-09-09 cs.AI cs.LG cs.SY
PatchSTG: Scalable Spatiotemporal Graph Transformers for Traffic Forecasting on Irregular Sensor Networks
Portsmouth Abbey School（波特茅斯修道学校）；CodingFuture (Shanghai) Education Technology Co., Ltd.（上海CodingFuture教育科技有限公司）
提出PatchSTG，通过地理信息将传感器划分为平衡的局部补丁，并采用双注意力编码器交替捕捉局部和全局依赖，实现计算复杂度从二次降至近线性，在不规则传感器网络上取得高效且稳定的交通预测性能。
2026-06-02 cs.AI cs.LG
Accounting for Work Zone Disruptions in Traffic Flow Forecasting
George Mason University（乔治梅森大学）
针对现有交通流预测忽略施工区影响的问题，提出一种融合施工区信息的图卷积网络模型，通过数据融合与异构图聚合捕捉时空依赖，在弗吉尼亚州数据集上优于基线，尤其提升施工区事件预测性能。
2024-07-16 cs.LG
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning
Orange Innovation（奥兰治创新公司）；Nantes University（南特大学）；École Centrale Nantes（南特中央理工学院）；IMT Atlantique（大西洋电信与技术学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；LS2N（南特数字科学实验室）；University of Luxembourg（卢森堡大学）；SnT（卢森堡大学安全、可靠性和信任中心）
针对现有蜂窝流量图预测方法未考虑基站动态变化的问题，本研究提出FLEXIBLE归纳式图学习方案与泛化GNN预测模型，支持一次训练适配多图且易迁移，较SOTA最高提升9.8%，小样本场景优势显著。
2024-05-14 cs.AI cs.LG cs.NI
Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting
Department of Computing, The Hong Kong Polytechnic University（计算学系，香港理工大学）
针对现有方法难以捕捉全局时空模式且易过拟合的问题，提出多粒度时空图学习框架，融合全局与局部模式，提升交通流预测的稳定性和准确性。
2025-07-25 cs.AI cs.LG
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios
University of Pennsylvania（宾夕法尼亚大学）；Argonne National Laboratory（阿贡国家实验室）
针对时空图神经网络在拥堵预测上的不足，本文比较多种损失函数，发现MAE-Focal和Gumbel损失分别优化MAE和MSE时最有效，能在不牺牲常规预测精度下提升拥堵预测能力。
2023-08-29 cs.AI cs.LG
Graph Markov Network for Traffic Forecasting with Missing Data
University of Washington（华盛顿大学）；Beihang University（北京航空航天大学）
交通预测是交通管理的一项经典任务，在智能交通系统中起着重要的作用。然而，由于交通数据主要由交通传感器或探测车辆收集，传感器故障和探测车辆的缺乏将不可避免地导致在交通网络中的某些特定链路的收集的原始数据中的缺失值。虽然缺失值可以插补，现有的数据插补方法通常需要长期的历史交通状态数据。对于短期流量预测，特别是在边缘计算和在线预测场景下，需要具有处理缺失值能力的流量预测模型。在这项研究中，我们认为交通网络作为一个图形和定义之间的过渡网络范围内的交通状态在连续的时间步长作为一个图形马尔可夫过程。通过这种方式，可以逐步推断出缺失的交通状态，并可以合并道路链路之间的时空关系。基于图马尔可夫过程，提出了一种新的时空数据预测神经网络结构，即图马尔可夫网络（GMN）。通过引入谱图卷积运算，我们还提出了一种谱图马尔可夫网络（SGMN）。所提出的模型与基线模型进行了比较，并在三个真实世界的交通状态数据集与各种缺失率进行了测试。实验结果表明，所提出的GMN和SGMN可以实现优越的预测性能，在准确性和效率。此外，所提出的模型的参数，权重和预测结果进行了全面的分析和可视化。
2019-12-10 cs.LG eess.SP
DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Seoul National University（首尔大学）
交通速度预测是交通系统中的核心问题之一。为了更准确地预测，最近的研究开始不仅使用时间速度模式，而且通过图卷积网络使用道路网络上的空间信息。尽管道路网络是高度复杂的，由于其非欧和方向的特点，以前的方法主要集中在建模的空间依赖性使用的距离。在本文中，我们确定了两个基本的空间依赖关系，在交通预测除了距离，方向和位置关系，设计基本图形元素作为基本的积木。使用构建块，我们建议DDP-GCN（距离，方向和位置关系图卷积网络）将这三种空间关系纳入深层神经网络。我们用两个大规模的真实世界数据集对所提出的模型进行了评估，并发现在高度复杂的城市网络中进行长期预测的积极改进。对于通勤时间来说，改善幅度可能会更大，但对于短期预测来说，改善幅度也可能有限。
2022-09-25 cs.LG eess.SP
Robust Spatiotemporal Traffic Forecasting with Reinforced Dynamic Adversarial Training
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对时空交通预测模型易受动态对抗攻击的问题，提出强化学习驱动的动态对抗训练框架与自知识蒸馏模块，有效增强模型防御能力并缓解过拟合与遗忘问题。
2023-06-25 cs.LG eess.SP
Short-Term Traffic Forecasting Using High-Resolution Traffic Data
New York University Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）
本文开发了一个数据驱动的工具包，用于使用高分辨率（a.k.a.基于事件的）交通数据。这是从城市道路中的固定传感器获得的原始数据。这种原始数据的时间序列从一个时间步到下一个时间步（通常在0.1-1秒的量级上）表现出严重的波动。交通状况的短期预测（未来10-30秒）对于交通运营应用（例如，自适应信号控制）。但是文献中的交通预测工具主要处理3-5分钟的聚合数据，其中典型的信号周期为2分钟的量级。这使得这种预测在业务一级毫无用处。为此，我们将流量预测问题建模为矩阵完成问题，其中预测输入使用内核映射到高维空间。该公式使我们能够捕获预测输入和输出之间的非线性依赖关系，也使我们能够捕获输入之间的依赖关系。这些依赖性对应于网络中不同位置之间的相关性。我们进一步采用自适应提升来提高训练准确性并捕获数据中的历史模式。所提出的方法的性能进行了验证，使用高分辨率的数据从现实世界中的交通网络在阿布扎比，阿联酋。我们的实验结果表明，该方法优于其他国家的最先进的算法。
2020-06-22 cs.LG eess.SP math.OC
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED（西班牙马德里国立远程教育大学（UNED）人工智能系）
时空预测是一个开放的研究领域，其兴趣呈指数增长。在这项工作中，我们专注于为时空交通预测创建一个复杂的深度神经框架，该框架具有相对非常好的性能，并且显示出在几种时空条件下的适应性，同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络，其中几个模块相结合，以捕捉关键的时空时间序列组件。通过大量的实验，我们展示了我们的方法的结果是如何稳定的，比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
Multi-Service Mobile Traffic Forecasting via Convolutional Long Short-Term Memories
University of Edinburgh（爱丁堡大学）；CNR-IEIIT（意大利国家研究委员会电子、信息与电信工程研究所）
网络切片越来越多地用于在不同的移动服务之间划分网络基础设施。在这种情况下，精确的服务移动流量预测变得至关重要，因为移动运营商寻求提前向每个切片预分配资源，以满足各个服务的不同要求。本文使用序列到序列（S2 S）学习范式和卷积长短期记忆（ConvLSTM）来解决多业务移动流量预测问题。所提出的架构的设计，以便有效地提取复杂的时空特征的移动网络流量和高精度预测未来的需求，在城市规模的个人服务。我们在一个欧洲大都市收集的移动流量数据集上进行了实验，证明了所提出的S2 S-ConvLSTM可以预测数十种不同服务在一个小时之前产生的移动流量，只需使用过去一个小时内进行的测量。特别是，我们的解决方案在天线级实现了低于13 KBps的平均绝对误差（MAE），比其他深度学习方法高出31.2%。
2019-05-23 cs.LG cs.NI eess.SP
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting
Tsinghua University（清华大学）；DiDi AI Labs（滴滴AI实验室）
交通预测影响着智能交通系统（ITS）的各项服务，对用户体验和城市交通控制具有重要意义。由于道路网络包含复杂且随时间变化的时空依赖性，因此具有挑战性。最近，基于深度学习的方法通过采用图卷积网络（GCN）来提取空间相关性和递归神经网络（RNN）来捕获时间依赖性，取得了有希望的结果。然而，现有的方法往往只建立在道路网络连通性的基础上，这限制了道路之间的相互作用。在这项工作中，我们提出了地理和长期时间图卷积递归神经网络（GLT-GCRNN），这是一种新的交通预测框架，可以学习共享相似地理或长期时间模式的道路之间的丰富交互。在真实世界的交通状态数据集上进行的大量实验表明，GLT-GCRNN在不同指标方面优于最先进的方法，从而验证了我们方法的有效性。
2020-04-23 cs.AI cs.LG eess.SP
A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network
State Key Laboratory of Information Engineering in Survey, Mapping and Remote Sensing（测绘遥感信息工程国家重点实验室）
交通预测是城市交通管理和疏导的关键。然而，现有的方法很少利用交通速度观测的时频特性，往往忽略了交通流从上游到下游路段的传播。在本文中，我们提出了一种混合的方法，学习交通流的时空依赖性，并预测道路网络上的短期交通速度。具体来说，我们采用小波变换分解原始交通数据到几个不同的频率子带的分量。基于模体的图卷积循环神经网络（Motif-GCRNN）和自回归移动平均（ARMA）分别用于训练和预测低频分量和高频分量。在Motif-GCRNN框架中，我们将图卷积网络（GCN）与局部子图结构（Motifs）相结合，以捕获路段之间的空间相关性，并应用长短期记忆（LSTM）来提取交通速度的短期和周期性模式。在中国成都采集的交通数据集上的实验表明，所提出的混合方法优于六种最先进的预测方法。
2019-04-14 cs.CV cs.LG eess.SP
Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values
University of Washington（华盛顿大学）
近年来，基于深度学习方法，特别是递归神经网络（RNN）的短期流量预测备受关注。然而，在时空数据的预测能力和处理丢失数据的能力方面，基于RNN的模型在交通预测中的潜力尚未得到充分利用。在本文中，我们专注于基于RNN的模型，并试图重新制定将RNN及其变体纳入流量预测模型的方法。提出了一种堆叠的双向和单向LSTM网络架构（SBU-LSTM），用于辅助交通状态预测的神经网络结构设计。作为该架构的关键组件，双向LSTM（BDLSM）被用来捕获时空数据中的前向和后向时间依赖性。为了处理时空数据中的缺失值，我们还提出了一种LSTM结构中的数据填补机制（LSTM-I），通过设计一个填补单元来推断缺失值并辅助流量预测。LSTM-I的双向版本被整合到SBU-LSTM架构中。两个真实世界的网络范围内的交通状态数据集被用来进行实验，并公布，以促进进一步的交通预测研究。评估了多种类型的多层LSTM或BDLSTM模型的预测性能。实验结果表明，所提出的SBU-LSTM架构，特别是两层BDLSTM网络，可以在准确性和鲁棒性方面实现网络范围流量预测的优异性能。此外，综合比较结果表明，所提出的数据填补机制在基于RNN的模型可以实现突出的预测性能时，模型的输入数据包含不同模式的缺失值。
2020-05-24 cs.LG eess.SP stat.ML
On Network Traffic Forecasting using Autoregressive Models
多年来研究了各种统计分析方法，以提取准确的网络流量趋势并预测未来负载，主要用于分配所需资源。此外，许多随机建模技术提供了代表不同类型的网络流量的基本特征。在这项研究中，我们分析了自回归流量预测技术，考虑到他们的普及和广泛使用的领域。在类似的作品相比，我们提出了重要的交通特征和讨论，从文献中创建一个自我一致的指导，随着调查。然后，我们的方法，在文献中揭示的网络特征，他们可以捕获提供一个基于特征的框架技术。最重要的是，我们的目标是填补这些方法的统计分析和它们与网络的相关性之间的差距，讨论从网络遥测的角度准确预测的重要方面和要求。
2019-12-27 cs.NI eess.SP
Forecasting Mobile Traffic with Spatiotemporal correlation using Deep Regression
University of Catania（卡塔尼亚大学）
移动性预测的概念代表了未来蜂窝网络的有效管理的关键使能因素之一，由于多种技术的聚合，未来蜂窝网络趋于逐渐变得更加精细和密集。在这封信中，我们的目标是调查在大都市地区的蜂窝流量预测的问题，并提出了一个深度回归（DR）的方法来模拟其复杂的时空动态。DR是通过解决图像到图像回归问题来捕获移动数据的多尺度和多域依赖性的工具。输入和预期输出之间的参数关系被定义，网格搜索被放置到位，以隔离和优化性能。实验结果表明，该方法实现了较低的预测误差对国家的最先进的算法。我们通过使用欧洲供应商的大型公共数据集来验证预测性能和稳定性。
2019-07-25 cs.LG cs.NI eess.SP
Deep Learning for Road Traffic Forecasting: Does it Make a Difference?
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
深度学习方法已被证明可以灵活地对复杂现象进行建模。智能交通系统（ITS）也是如此，其中车辆感知和交通分析等多个领域已广泛采用深度学习作为核心建模技术。特别是在短期交通预测中，深度学习提供良好结果的能力已经产生了使用深度学习模型的普遍惯性，而没有深入研究其优点和缺点。本文着重于批判性地分析在这一特定ITS研究领域使用深度学习的最新技术水平。为此，我们详细阐述了从近年来的出版物的审查，基于两个分类标准的结果。事后批判性分析，制定问题，并引发必要的辩论有关的问题，深度学习的交通预测。该研究完成了不同性质的交通数据集的各种短期交通预测方法的基准，旨在涵盖广泛的可能情况。我们的实验表明，深度学习不可能是每种情况下的最佳建模技术，这揭示了一些迄今为止尚未考虑的警告，应该由社区在前瞻性研究中解决。这些见解揭示了道路交通预测的新挑战和研究机遇，列举和深入讨论，旨在启发和指导该领域未来的研究工作。
2020-12-02 cs.AI cs.LG cs.NE
Forecasting Self-Similar User Traffic Demand Using Transformers in LEO Satellite Networks
本文提出利用基于变压器的模型预测LEO卫星网络中的用户流量需求，通过Prob-Sparse自注意力机制提升预测精度。
2025-10-09 eess.SP
Urban traffic analysis and forecasting through shared Koopman eigenmodes
New York University Abu Dhabi（纽约大学阿布扎比分校）
针对数据稀缺城市的交通流量预测难题，提出基于约束汉克尔化DMD（TrHDMD）的跨城市迁移学习方法，通过提取并共享数据丰富城市的稳定Koopman特征模态（城市心跳），显著提升了数据稀缺城市的预测准确性与交通管理能力。
2024-12-18 cs.LG cs.SY eess.SP
Burst Aware Forecasting of User Traffic Demand in LEO Satellite Networks
Polytechnique Montréal（蒙特利尔高等理工学院）；MDA Space（MDA空间公司）
针对LEO卫星网络中突发流量导致缓冲区溢出和丢包的问题，提出一种基于Transformer架构的突发感知预测方法，通过嵌入突发距离、解码器线性层和不对称损失函数，显著降低预测误差。
2026-05-28 eess.SP
RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework
University of Science and Technology of China（中国科学技术大学）；University of Electronic Science and Technology of China（电子科技大学）
实时交通事故预测对于公共安全和城市管理越来越重要（例如，实时安全路线规划和应急响应部署）。以往的事故预测工作往往是在小时的水平上进行，利用现有的神经网络与静态区域明智的相关性考虑。然而，由于道路网络的高度动态性和一个训练样本中事故记录的固有稀缺性，预测步骤的粒度提高仍然具有挑战性，这会导致有偏差的结果和零膨胀问题。在这项工作中，我们提出了一个新的框架RiskOracle，以提高预测粒度到分钟的水平。具体来说，我们首先转换标签中的零风险值以适应训练网络。然后，我们提出了微分时变图神经网络（DTGN）捕捉交通状态的即时变化和动态的子区域间的相关性。此外，我们采用多任务和区域选择方案，以突出全市最有可能发生事故的子区域，弥合有偏见的风险值和零星事故分布之间的差距。在两个真实数据集上的大量实验证明了我们的RiskOracle框架的有效性和可扩展性。
2020-02-19 cs.AI eess.SP
