FPTN: Fast Pure Transformer Network for Traffic Flow Forecasting
Southwest University（西南大学）
由于交通流数据具有复杂的时空相关性，交通流预测具有挑战性。现有的基于Transformer的交通流预测方法通常将交通流预测视为多变量时间序列预测。然而，太多的传感器可能会导致维度大于800的向量，这很难在不丢失信息的情况下进行处理。此外，这些方法设计了复杂的机制来捕获MTS中的空间依赖性，导致预测速度缓慢。针对上述问题，本文提出了一种快速纯Transformer网络（FPTN）。首先，交通流数据被划分为沿传感器维而不是时间维的序列。然后，为了充分表示复杂的时空相关性，提出了三种类型的嵌入将这些向量投影到合适的向量空间。然后，为了同时捕获这些向量中复杂的时空相关性，我们使用Transformer编码器并将其与几个层堆叠。使用4个真实数据集和13个基线进行了大量实验，结果表明FPTN在两个指标上优于最先进的方法。与此同时，FPTN的计算时间不到其他最先进的基于Transformer的模型的四分之一，对计算资源的要求也大大降低。
2023-03-14 cs.AI cs.LG
Revealing the Power of Masked Autoencoders in Traffic Forecasting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Visa Research（Visa研究院）
针对交通预测中的数据稀缺和模型稳定性问题，提出即插即用的时空掩码自编码器框架STMAE，通过双重掩码预训练与微调集成，显著提升多种时空模型的预测精度。
2024-07-28 cs.AI cs.LG
Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network
HKUST(GZ)（香港科技大学（广州））；Baidu Research（百度研究院）；HKUST（香港科技大学）；Arizona State University（亚利桑那州立大学）；Baidu Inc.（百度公司）
针对自适应信号导致的不规则交通时间序列预测难题，提出异步时空图卷积网络ASeer，通过异步图扩散、个性化时间编码、可变形时间感知卷积与半自回归预测，有效捕捉异步时空依赖并预测变长序列，在六项指标上优于十二个基线。
2024-08-27 cs.AI cs.LG
CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting
CESNET a.l.e.；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出CESNET-TimeSeries24数据集，基于CESNET3网络中27.5万个活跃IP地址40周的流量构建，旨在填补大规模真实网络数据空白，为基于预测的异常检测方法提供真实评估基准。
2024-09-27 cs.AI cs.LG
DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting
Zhejiang University（浙江大学）
提出DSTCGCN动态时空交叉图卷积网络，通过基于FFT的注意力选择器和动态交叉图构建模块联合学习时空交叉依赖，在六个真实数据集上实现最优交通预测性能。
2023-07-02 cs.AI cs.LG
Error Adjustment Based on Spatiotemporal Correlation Fusion for Traffic Forecasting
McGill University（麦吉尔大学）；Nantong University（南通大学）
针对交通预测中误差存在时空自相关性、现有均方误差训练假设不成立的问题，提出通用SAEA框架，将误差建模为时空VAR过程，结合结构稀疏正则化与测试时调整，在多数据集多模型上均提升预测性能。
2025-10-25 cs.AI cs.LG
Spatio-Temporal Meta-Graph Learning for Traffic Forecasting
The University of Tokyo（东京大学）；Toyota Motor Corporation（丰田汽车公司）
交通量预测作为多元时间序列预测的一个典型任务，一直是人工智能领域的重要研究课题。为了解决交通流中隐含的时空异质性和非平稳性，在这项研究中，我们提出了时空元图学习作为一种新的时空数据的图结构学习机制。具体来说，我们将这个想法实现到元图卷积递归网络（MegaCRN）中，将由元节点库驱动的元图学习器插入GCRN编码器-解码器。我们对两个基准数据集（即，METR-LA和PEMS-BAY）以及一个名为EXPY-TKY的新的大规模交通速度数据集，该数据集覆盖了东京的1843条高速公路。我们的模型在所有三个数据集上都优于最先进的模型。此外，通过一系列的定性评估，我们证明了我们的模型可以明确地解开道路连接和时隙与不同的模式，并鲁棒地适应任何异常的交通情况。代码和数据集可在https://github.com/deepkashiwa20/MegaCRN上获得。
2023-03-06 cs.AI cs.LG
Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting
Tongji University（同济大学）
针对现有交通预测方法难以同步捕捉时空依赖、忽略路网节点动态关联的问题，提出含交互学习策略和动态图卷积模块的STIDGCN模型，在四个真实数据集上性能超越当前最优基线。
2022-09-26 cs.AI cs.LG
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University（斯坦福大学）；University of Cologne（科隆大学）；Shanghai AI Lab（上海人工智能实验室）
针对现有基于GCN的交通预测方法忽略城市空间层级的问题，提出AHSTN模型，通过自适应时空上下采样模块实现节点与簇级多尺度时空建模，在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI cs.LG
Counterfactual Explanations for Deep Learning-Based Traffic Forecasting
ETH Zurich（苏黎世联邦理工学院）；WSL Institute for Snow and Avalanche Research SLF（WSL雪与雪崩研究所SLF）
本研究提出了一种基于反事实解释的框架，用于提升深度学习交通预测模型的可解释性，通过场景驱动的约束生成定制化解释，以揭示模型学习的交通模式。
2024-05-01 cs.AI cs.LG
How does the Performance of the Data-driven Traffic Flow Forecasting Models deteriorate with Increasing Forecasting Horizon? An Extensive Approach Considering Statistical, Machine Learning and Deep Learning Models
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学）
针对交通预测时域增加导致模型性能下降的问题，本研究评估统计、机器学习和深度学习模型在不同预测窗口的表现，发现Bi-LSTM中期稳健性最优、ANFIS-GP早期性能最佳，并量化了性能下降趋势，为混合模型方向提供依据。
2025-11-12 cs.AI cs.LG
RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting
School of Computer Science；Technology Beijing Jiaotong University Beijing China；Department of Computer Science Aalborg University Aalborg Denmark；Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education Beijing China；Beijing Key Laboratory of Traffic Data Mining；Beijing Jiaotong University；Aalborg University；Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education
RIPCN通过结合交通理论与时空主成分学习，提升交通流预测的准确性和不确定性估计能力。
2025-12-25 cs.AI cs.LG
Graph Neural Controlled Differential Equations for Traffic Forecasting
Yonsei University（延世大学）
交通量预测是机器学习领域最热门的时空任务之一。该领域的一种流行方法是将图卷积网络和递归神经网络相结合用于时空处理。有激烈的竞争和许多新的方法已经提出。本文提出了时空图神经控制微分方程（STG-NCDE）方法。神经控制微分方程（NCDE）是处理序列数据的突破性概念。我们扩展了这一概念，设计了两个NCDE：一个用于时间处理，另一个用于空间处理。然后，我们将它们合并到一个框架中。我们使用6个基准数据集和20个基线进行实验。STG-NCDE在所有情况下都显示出最好的准确性，超过了所有这20个基线。
2021-12-07 cs.AI cs.LG
A Lightweight Multi-View Approach to Short-Term Load Forecasting
Université du Québec à Montréal（魁北克大学蒙特利尔分校）
本文提出了一种轻量多视图方法用于短期负荷预测，通过单值嵌入和缩放时间范围输入提高预测效率，并引入嵌入dropout机制以增强可解释性。
2026-11-05 cs.AI cs.LG
Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction
University of California, Berkeley（加州大学伯克利分校）；Mines Paris, PSL University（巴黎矿业学院（PSL大学））；Valeo Driving Assistant Research（法雷奥驾驶辅助研究中心）
针对CIRCLES项目中数据源延迟及实时交通状态估计需求，提出融合空间自注意力与LSTM的SA-LSTM及其n-step多步扩展，在中观交通预测中实现先进性能。
2024-03-04 cs.AI cs.LG cs.RO
Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM)
University of Tennessee at Chattanooga（田纳西大学查塔努加分校）
针对网络级交通状态预测需求，本文提出分层注意力LSTM（HierAttnLSTM）模型，整合不同层级LSTM状态并引入注意力机制，在PeMS数据集上优于基线模型，提升预测精度且能识别异常拥堵，数据代码开源。
2025-02-14 cs.AI cs.LG
Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank
Shanghai Jiao Tong University（上海交通大学）；Ocean University of China（中国海洋大学）
针对数据稀缺城市少样本交通预测难题，提出基于交通模式库的跨城市预测框架，通过迁移富数据城市交通模式知识，结合元训练优化，显著提升预测性能。
2023-08-17 cs.LG
Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting
Northwestern Polytechnical University（西北工业大学）；City University of Hong Kong（香港城市大学）；Shenzhen Research Institute, City University of Hong Kong（香港城市大学深圳研究院）；Northwest University（西北大学）
提出LoReST网络，通过关系感知局部聚合和跨区域注意力，高效建模大规模交通预测中的局部异质性与长距离上下文，在LargeST基准上显著降低误差。
2026-09-24 cs.AI cs.LG
TUBO: A Tailored ML Framework for Reliable Network Traffic Forecasting
The University of Edinburgh（爱丁堡大学）
TUBO是一种定制化的机器学习框架，通过突发处理和模型选择组件提升网络流量预测的可靠性，显著提高预测准确性和突发发生预测精度。
2026-02-12 cs.LG
AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting
Central South University（中南大学）；Hisense TransTech Co., Ltd.（海信网络科技股份有限公司）；Zhejiang University（浙江大学）
交通量预测是智能交通领域的一项基础性和挑战性任务。准确的预测不仅依赖于历史交通流信息，还需要考虑各种外部因素的影响，如天气状况、周边POI分布等。近年来，融合图卷积网络和递归神经网络的时空模型成为交通预测的研究热点，并取得了重大进展。然而，很少有作品结合外部因素。因此，基于引入外部因素可以提高时空预测流量的准确性和改善解释性的假设，我们提出了一个属性增强时空图卷积网络（AST-GCN）。我们将外部因素建模为动态属性和静态属性，并设计了一个属性增强单元来编码和集成这些因素到时空图卷积模型中。在真实数据集上的实验表明，与传统的交通预测方法相比，考虑外部信息对交通预测任务的有效性。此外，在不同的属性增强方案和预测水平设置下，AST-GCN的预测精度高于基线。
2020-11-22 cs.LG
Residual Correction in Real-Time Traffic Forecasting
KAIST AI（韩国科学技术院人工智能学院）；NAVER Corp.（NAVER公司）
预测交通状况是非常具有挑战性的，因为每条道路在空间和时间上都高度依赖于彼此。最近，为了捕获这种空间和时间依赖性，已经引入了专门设计的架构，例如图卷积网络和时间卷积网络。虽然交通预测已经取得了显着的进步，但我们发现基于深度学习的交通预测模型在某些模式下仍然失败，主要是在事件情况下（例如，快速下降）。虽然人们普遍认为这些故障是由于不可预测的噪声，我们发现，这些故障可以通过考虑以前的故障得到纠正。具体来说，我们观察到这些故障中的自相关错误，这表明仍然存在一些可预测的信息。在这项研究中，捕捉误差的相关性，我们引入ResCAL，残差估计模块的交通预测，作为一个广泛适用的附加模块，现有的交通预测模型。我们的ResCAL通过使用以前的误差和图形信号估计未来的误差来实时的校准现有模型的预测。METR-LA和PEMS-BAY上的大量实验表明，我们的ResCAL可以正确地捕捉错误的相关性，并纠正各种交通预测模型在事件情况下的失败。
2022-09-12 cs.LG
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
Disentangling Heterogeneous Traffic Dynamics for Multi-Step Traffic Forecasting via Adaptive Spectral Decomposition
Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）；Dalian Maritime University（大连海事大学）；National Chung Hsing University（国立中兴大学）
针对多步交通预测中异构动态难以分离的问题，提出自适应分解网络ADNet，通过可学习谱分解将信号分为主导与残差组件，并双分支建模，在TraffiDent数据集上多数比较中取得最优。
2026-09-23 cs.LG
Bayesian Forecasting of WWW Traffic on the Time Varying Poisson Model
Research Institute for Science and Engineering, Waseda University（早稻田大学理工学研究所）；Department of Applied Mathematics, Waseda University（早稻田大学应用数学系）
利用过去观测到的流量数据进行流量预测是服务器和网络规划中的重要问题之一。本文以万维网（WWW）流量为基础研究对象，从统计决策理论的观点出发，研究了时变泊松模型下网络流量的贝叶斯预测问题。在此模型下，我们将表明，估计的预测值是通过简单的算术计算，并表示真实的WWW流量从理论和经验的观点。
2009-12-03 cs.LG cs.NI
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology（南方科技大学）；The University of Tokyo（东京大学）；University of Technology Sydney（悉尼科技大学）
针对交通预测中捕捉复杂时空模式的难题，本研究提出时空自适应嵌入组件，搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA，验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
A Block Regression Model for Short-Term Mobile Traffic Forecasting
Tsinghua University（清华大学）
准确的移动流量预测对于有效的网络规划和运营至关重要。然而，现有的交通预测模型具有很高的复杂性，使得预测过程缓慢且成本高。本文分析了移动业务的周期性、空间相似性和短期相关性等特性。基于这些特点，我们提出了一个\emph{Block Regression}（{BR}）模型的移动业务预测。该模型采用季节性差异，以考虑到移动业务的时间重复性。我们的{BR}模型的关键特征之一在于其低复杂性，因为它为所有基站构建了单个模型。我们评估的准确性{BR}模型的基础上，实际的交通数据，并与现有的模型进行比较。结果表明，我们的{BR}模型提供了相同的准确性，现有的模型，但具有更低的复杂性。
2015-11-17 cs.LG cs.NI
Neural Network Multitask Learning for Traffic Flow Forecasting
East China Normal University（华东师范大学）
传统的神经网络方法用于交通流预测通常是单任务学习（STL）模型，没有利用相关任务提供的信息。与STL相比，多任务学习（MTL）具有通过在额外任务的训练信号中传递信息来提高泛化能力的潜力。本文将基于MTL的神经网络用于交通流预测。对于神经网络MTL，通过将多个连续时刻的业务流合并到输出层中来构建反向传播（BP）网络。输出层中的节点可以看作是不同但密切相关的STL任务的输出。通过对城市车辆交通流数据的综合实验以及与STL的比较表明，BP神经网络中的MTL是一种有前途的、有效的交通流预测方法。
2017-12-24 cs.CL cs.LG
Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
University of Southern California（南加州大学）；California Institute of Technology（加州理工学院）
时空预测在神经科学、气候和交通领域有着广泛的应用。交通预测是这种学习任务的一个典型例子。这项任务具有挑战性，因为（1）对道路网络的复杂空间依赖性，（2）随着道路条件变化的非线性时间动态，以及（3）长期预测的固有困难。为了解决这些挑战，我们建议将交通流建模为有向图上的扩散过程，并引入扩散卷积循环神经网络（DCRNN），这是一种用于交通预测的深度学习框架，它将交通流的空间和时间依赖性结合起来。具体来说，DCRNN使用图上的双向随机游走来捕获空间依赖性，并且使用具有预定采样的编码器-解码器架构来捕获时间依赖性。我们在两个真实世界的大规模道路网络交通数据集上评估了该框架，并观察到比最先进的基线提高了12% - 15%。
2018-02-22 cs.LG stat.ML
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
University of Washington（华盛顿大学）；INRIX, Inc.（因瑞克斯公司）
交通预测是时空预测中一个极具挑战性的应用，因为交通模式是时变的，而且对道路网络的空间依赖性非常复杂。为了应对这一挑战，我们将交通网络作为一个图来学习，并提出了一种新的深度学习框架，即交通图卷积长短期记忆神经网络（TGC-LSTM），以学习交通网络中道路之间的相互作用，并预测整个网络的交通状态。我们定义了基于物理网络拓扑的流量图卷积。本文还讨论了所提出的业务图卷积与频谱图卷积之间的关系。在模型的损失函数中加入了图卷积权值的L1范数和图卷积特征的L2范数，以增强模型的可解释性。实验结果表明，该模型优于基线方法在两个现实世界的交通状态数据集。图卷积权重的可视化表明，该框架可以识别出现实世界中的交通网络中最有影响力的路段。
2019-11-05 cs.LG stat.ML
LightCTS: A Lightweight Framework for Correlated Time Series Forecasting
Aalborg University（奥尔堡大学）；Zhejiang University（浙江大学）；Roskilde University（罗斯基勒大学）
相关时间序列（CTS）预测在流量管理、服务器负载控制等实际应用中发挥着重要作用。已经提出了许多深度学习模型来提高CTS预测的准确性。然而，尽管模型变得越来越复杂和计算密集，但它们很难提高准确性。追求不同的方向，这项研究的目的是实现更高效，轻量级的模型，保持准确性，同时能够部署在资源受限的设备上。为了实现这一目标，我们流行的CTS预测模型的特点，并产生两个观察，指示轻量级CTS预测的方向。在此基础上，我们提出了LightCTS框架，采用时间和空间运算符的简单堆叠，而不是计算成本高得多的交替堆叠。此外，LightCTS还具有称为L-TCN和GL-Former的轻型时间和空间运算符模块，可在不影响其特征提取功能的情况下提高计算效率。LightCTS还包含最后一次压缩方案，以减少冗余的时间特征并加快后续计算。单步和多步预测基准数据集的实验表明，LightCTS能够在大大降低计算和存储开销的情况下获得接近最先进的精度。
2023-02-27 cs.AI cs.DB cs.LG
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks
George Mason University（乔治梅森大学）
交通流预测是智能交通系统管理的核心任务。图结构已经显示出作为建模框架的前景，最近通过图卷积神经网络在时空建模方面的进展，提高了性能或扩展了对交通流的预测范围。然而，最先进的方法的一个主要缺点是它们不能考虑到各种模式的信息，例如维护停机时间对交通流量的影响。这就是我们在本文中要解决的问题。具体来说，我们提出了一种新的模型来预测交通速度的影响下，施工工作。该模型基于强大的基于注意力的时空图卷积架构，但利用各种渠道来整合不同的信息源，明确地建立交通状态之间的时空依赖关系，捕获异构道路网络之间的关系，然后预测交通流量的变化导致的维护停机事件。两个基准数据集和一个新的数据集，我们已经收集了繁华的泰森的角落地区在北弗吉尼亚州的模型进行评估。大量的对比实验和消融研究表明，该模型可以捕捉复杂的和非线性的时空关系，跨运输走廊，优于基线模型。
2021-10-04 cs.AI cs.CV cs.LG
An Experimental Study on Decomposition-Based Deep Ensemble Learning for Traffic Flow Forecasting
Swinburne University of Technology（斯威本科技大学）；University of Technology Sydney（悉尼科技大学）；Data61 CSIRO
本研究比较了基于分解与非分解的深度集成学习方法在交通流预测中的性能，实验表明前者更优，但对聚合策略和预测时长敏感。
2024-11-06 cs.AI cs.LG cs.NE
Real-Time Network Traffic Forecasting with Missing Data: A Generative Model Approach
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
针对实际场景中网络流量数据常存在缺失的问题，提出一种基于生成式模型的实时预测方法，将任务建模为张量补全问题，通过优化潜在表示实现快速预测，在Abilene数据集上100ms内完成预测且MAE低于0.002，并提供理论误差保证。
2025-06-11 cs.LG cs.NI
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
Forecasting Transportation Network Speed Using Deep Capsule Networks with Nested LSTM Models
Beihang University（北京航空航天大学）；University of Washington（华盛顿大学）
对复杂交通网络进行准确可靠的交通量预测，对现代交通管理具有重要意义。道路连接的复杂空间依赖性和交通状态的动态时间模式使其特别具有挑战性。为了应对这些挑战，我们提出了一种新的胶囊网络（CapsNet）来提取交通网络的空间特征，并利用嵌套LSTM（NLSTM）结构来捕获交通序列数据中的分层时间依赖关系。通过依次连接CapsNet和NLSTM，提出了一个网络级流量预测框架。在文献综述的基础上，本文首次将CapsNet和NLSTM应用于交通预测领域。在北京市278个路段的交通网络上进行的实验表明，该框架具有捕获复杂时空交通模式的能力，优于多种最先进的交通预测基线模型。通过对实验结果的可视化和定量评价，分别论证了CapsNet和NLSTM的优越性和可行性。
2018-11-01 cs.LG stat.ML
A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对交通流日周期间峰值慢漂移导致的非平稳性预测难题，提出结合经验模态分解与长短期记忆网络的机器学习方法，在真实数据基准上较现有最优方法均方根误差降低14.55%、平均绝对百分比误差降低62.56%。
2023-03-31 cs.LG
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
CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tsinghua University（清华大学）；Auburn University（奥本大学）
交通预测在网络智能交通系统中非常重要，有利于交通安全，但由于现实世界交通系统具有复杂且动态的时空依赖性，因此具有很大的挑战性。现有方法使用预定义或可学习的静态图来提取空间相关性。然而，基于静态图的方法无法挖掘交通网络的演化。研究人员随后生成每个时间片的动态图来反映空间相关性的变化，但他们遵循独立建模时空依赖性的范式，忽略了跨时间的空间影响。在本文中，我们提出了一种新的跨时间动态图为基础的深度学习模型，名为CDGNet，用于流量预测。该模型利用跨时间动态图，能够有效地捕捉每个时间片与其历史时间片之间的跨时间空间依赖关系。同时，我们设计了一种门控机制来稀疏跨时间动态图，这符合现实世界中稀疏的空间相关性。此外，我们提出了一种新的编码器-解码器架构，将跨时间动态基于图的GCN多步流量预测。三个真实世界的公共交通数据集上的实验结果表明，CDGNet优于最先进的基线。我们还提供了一个定性的研究来分析我们的架构的有效性。
2021-12-06 cs.LG
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
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology（武汉理工大学）；Zhejiang Sci-Tech University（浙江理工大学）
针对现有交通流预测方法时空建模分离且复杂度高的问题，提出更快速有效的时空同步图卷积网络FasterSTS，以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting
University of Minnesota（明尼苏达大学）；Polytechnique Montreal（蒙特利尔理工学院）；McGill University（麦吉尔大学）
本文提出了一种可扩展的动态混合模型，利用全协方差建模时间变化的交通预测误差分布，提升预测性能并提供可解释的时空相关结构。
2025-04-08 cs.LG
Graph-Partitioning-Based Diffusion Convolutional Recurrent Neural Network for Large-Scale 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）
交通预测方法是制定适应性战略的流动性至关重要。交通模式具有复杂的空间和时间依赖性，这使得大型公路网络的准确预测成为一项具有挑战性的任务。最近，扩散卷积递归神经网络（DCRNNs）已经取得了国家的最先进的结果，通过捕捉交通的时空动态的交通预测。尽管有希望的结果，但是，由于计算和内存瓶颈，将DCRNN应用于大型公路网络仍然是难以捉摸的。我们提出了一种方法来实现一个大型公路网，克服了这些限制的DCRNN。我们的方法使用图分区方法将大型公路网络分解为较小的网络并独立训练它们。我们证明了基于图分区的DCRNN方法的有效性，在一个大型的加利福尼亚州高速公路网络与11,160个传感器位置的交通模型。我们开发了一个重叠的节点的方法，基于图分区的DCRNN包括传感器位置从分区，地理上接近一个给定的分区。此外，我们证明了DCRNN模型可以用来预测的速度和流量同时和预测值保持基本的交通流动态。我们开发代表大型公路网络的DCRNN模型的方法可以成为先进公路交通监控系统的潜在核心能力，其中经过训练的DCRNN模型预测所有传感器位置的交通，可用于根据预期的未来条件主动调整交通管理策略。
2020-04-20 cs.LG stat.ML
FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
Unity Technologies（Unity科技公司）；McGill University（麦吉尔大学）
多元时间序列预测是一个重要问题，在交通管理、蜂窝网络配置和定量金融中有应用。当有一个图可以捕捉时间序列之间的关系时，就会出现问题的特殊情况。在本文中，我们提出了一种新的学习架构，实现性能竞争力或优于现有的最好的算法，而不需要知识的图形。我们提出的架构的关键要素是可学习的全连接硬图门控机制，使使用的国家的最先进的和高计算效率的全连接的时间序列预测架构在交通预测应用。两个公共交通网络数据集的实验结果说明了我们的方法的价值，消融研究证实了每个元素的架构的重要性。代码可以在这里找到：https://github.com/boreshkinai/fc-gaga。
2020-12-14 cs.LG stat.ML
Multi-Modal Traffic Analysis: Integrating Time-Series Forecasting, Accident Prediction, and Image Classification
Department of Information Technology（信息科技系）；Thiagarajar College of Engineering（提亚加拉尔工程学院）
提出集成机器学习框架，结合ARIMA、XGBoost和CNN实现交通预测、事故分类与图像识别，在多个数据集上优于基线模型，支持智慧城市部署。
2025-04-24 cs.LG
Spatio-Temporal meets Wavelet: Disentangled Traffic Flow Forecasting via Efficient Spectral Graph Attention Network
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息研究院）
交通预测对于公共安全和资源优化至关重要，但由于三个方面而非常具有挑战性：i）当前现有的工作大多利用复杂的时间模式（例如，短期雷暴和长期每日趋势），这不能准确地捕获不同模式下的时空依赖性; i i）图位置编码的探索不足限制了常用的全图注意力网络中的空间信息的提取; iii）全图注意力的二次复杂性引入了大量的计算需求。为了实现有效的交通流预测，我们提出了一个有效的谱图注意力网络与解开交通序列。具体而言，利用离散小波变换来获得流量序列的低频和高频分量，并且精心设计了双通道编码器，以准确地捕获低频和高频分量的长期和短期模式下的时空依赖性。此外，一种新的基于小波的图位置编码和查询采样策略引入到我们的频谱图的注意力，有效地引导消息传递和有效地计算的注意力。在四个真实世界数据集上的大量实验表明了我们模型的优越性，即，以较低的计算代价获得较高的预测精度。
2022-01-17 cs.LG
Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
College of Mechanical and Electrical Engineering, Shihezi University（石河子大学机械与电子工程学院）；School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算机科学学院）；College of Sciences, Shihezi University（石河子大学科学学院）
针对现有交通预测模型忽略交通模式与空间相关性交互、未考虑区域异质性的问题，提出模式-空间交互与区域感知图卷积网络PSIRAGCN，通过交互融合框架和区域感知消息传递提升预测精度，在三个真实数据集上性能优于最优基线且兼顾计算成本。
2025-08-30 cs.LG
Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting
Nanjing University（南京大学）
交通预测作为智能交通系统的重要组成部分，引起了学术界和工业界的极大关注。尽管人们提出了许多交通预测方法，但对复杂的时空相关性建模仍然是一个难题。时间依赖包括短期依赖和长期依赖，后者往往被忽视。空间依赖可以分为基于距离的空间依赖和隐藏的空间依赖。为了模拟复杂的时空依赖性，我们提出了一种新的框架，称为时空图卷积门递归网络（STGCGRN）的流量预测。我们设计了一个注意力模块，通过挖掘流量数据中的周期性信息来捕获长期依赖。本文提出了一种双图卷积门控递归单元（DGCGRU），它将图卷积网络和GRU相结合，来捕获空间依赖性。图卷积部分分别用基于距离的预定义邻接矩阵和自适应邻接矩阵对基于距离的空间依赖和隐藏的空间依赖进行建模。特别地，我们采用多头机制来捕获多个隐藏的依赖关系。此外，每个预测节点的周期模式可能不同，这往往被忽略，导致在建模空间依赖性时节点之间的周期信息相互干扰。为此，我们探索了模型的体系结构，并提高了性能。在四个数据集上的实验证明了该模型的优越性能。
2022-10-06 cs.LG
Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes
School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（计算学院，韩国科学技术院）
针对现有GCN无法充分融合多粒度特征且推理慢的问题，提出雾分布式推理系统MultiGran-STGCNFog及调度算法GA-DPHDS，实现高效多粒度时空特征融合并显著提升推理吞吐量。
2025-08-09 cs.LG
Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
交通量预测问题由于其时空复杂性，一直是智能交通系统中的一个具有挑战性的课题。虽然时间依赖性已经得到了很好的研究和讨论，空间依赖性是相对较少的探讨，由于其巨大的变化，特别是在城市环境。在这项研究中，提出了一种新的图卷积网络模型，多权重交通图卷积（MW-TGC）网络，并应用于两个城市网络的对比几何约束。该模型对速度数据进行多加权邻接矩阵的图卷积运算，以组合速度限制、距离和角度等特征。在组合特征上进行空间隔离的降维操作，以学习特征之间的依赖关系，并将输出的大小减小到计算上可行的水平。多权重图卷积的输出应用于具有长短期记忆单元的序列到序列模型，以学习时间依赖性。当应用到两个城市网站，城市核心和城市混合，MW-TGC网络不仅优于比较模型在这两个网站，但也减少了异质城市混合网络的方差。我们的结论是，MW-TGC网络可以提供一个强大的交通预测性能在空间复杂性的变化，这可能是一个强大的优势，在城市交通预测。
2021-05-26 cs.LG stat.ML
Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting
University of Science and Technology of China（中国科学技术大学）
在交通预测中，图卷积网络（GCN）将交通流建模为时空图，取得了令人瞩目的性能。然而，现有的基于GCN的方法，抽象地定义的图形结构的物理拓扑结构的道路网络，忽略了潜在的依赖关系的图形结构上的交通数据。并且定义的图结构是确定性的，缺乏对不确定性的研究。本文提出了一种用于流量预测的贝叶斯时空图卷积网络（BSTGCN）。我们的网络中的图结构是以端到端的方式从道路网络和交通数据的物理拓扑中学习的，它发现了对交通流之间关系的更准确描述。此外，提出了一种参数生成模型来表示图的结构，从而增强了GCN的泛化能力。我们验证了我们的方法在两个真实世界的数据集上的有效性，实验结果表明，BSTGCN达到优越的性能相比，国家的最先进的方法。
2020-10-15 cs.GR cs.LG
TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
交通流预测对于提高交通系统的效率和预防突发事件的发生具有重要意义。由于短、长时段交通流的高度非线性和复杂的演化模式，现有方法往往不能充分利用时空信息，特别是不同时段变化的时间模式和路段的特点。此外，没有同时考虑代表交通状态指标绝对值的全局性和代表相对值的局部性。本文提出了一个神经网络模型，侧重于交通网络的全局性和局部性以及交通数据的时间模式。基于循环的膨胀可变形卷积块被设计为准确地捕获每个节点上的不同时变趋势。我们的模型可以提取全局和局部的空间信息，因为我们结合了两个图卷积网络的方法来学习节点和边缘的表示。在两个真实数据集上的实验表明，该模型能够很好地反映交通数据的时空相关性，其性能优于现有的相关方法。进一步的分析表明，交通网络的局部性和全局性是交通流预测的关键，所提出的TSSRGCN模型可以适应不同的时间交通模式。
2020-11-30 cs.LG
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
Probabilistic Traffic Forecasting with Dynamic Regression
McGill University（麦吉尔大学）；University of Minnesota（明尼苏达大学）
本文提出动态回归框架，通过矩阵变量自回归建模基础交通预测模型的误差过程并重新设计损失函数，实现概率预测且保留原始输出，在SOTA模型上验证了性能提升和可解释性。
2025-04-08 cs.LG stat.ML
Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting
Ulsan National Institute of Science and Technology（蔚山科学技术院）
交通预测是一个具有挑战性的问题，由于复杂的道路网络和突然的速度变化引起的各种事件的道路。已经提出了一些模型来解决这个具有挑战性的问题，重点是学习道路的时空依赖性。在这项工作中，我们提出了一个新的视角转换的预测问题转化为一个模式匹配任务，假设大数据可以表示为一组模式。为了评估新视角的有效性，我们设计了一种新的流量预测模型，称为模式匹配记忆网络（PM-MemNet），它学习匹配输入数据的代表性模式与键值记忆结构。我们首先提取和聚类代表性的交通模式，作为内存中的键。然后通过匹配提取的关键字和输入，PM-MemNet从内存中获取现有流量模式的必要信息，并将其用于预测。为了模拟时空相关的流量，我们提出了新的内存架构GCMem，它集成了注意力和图形卷积的内存增强。实验结果表明，PM-MemNet比最先进的模型更准确，例如具有更高响应性的Graph WaveNet。我们还提出了一个定性的分析结果，描述了PM-MemNet的工作原理，并实现其更高的精度时，道路速度迅速变化。
2022-03-08 cs.LG cs.NE
