Workload Forecasting of a Logistic Node Using Bayesian Neural Networks
目的:空集装箱库的运输量因外界因素而大幅波动。预测预期的集装箱卡车运输量以及具有一个动态模块来预测未来的工作量在提高工作效率方面起着至关重要的作用。本文在研究相关文献的基础上,针对上述问题设计了一个预测模型。方法学:利用贝叶斯神经网络建立了集装箱空场集卡小时工作量和交通量的预测模型。此外,本文用不同特征的数据集进行实验,以评估模型对不同数据源的预测范围。结果:一个空集装箱仓库的真实数据被用来开发一个预测模型,并在以后验证模型的能力。研究结果表明,该模型的性能的有效性,并提供了一个有效的交通和工作量规划系统的问题的空箱堆场的基础。独创性:本文提出了一种基于贝叶斯深度学习的预测模型,使用真实世界的数据的交通和工作量的空箱仓库。该预测模型的设计和实现为集装箱卡车运输中的每一个参与者提供了一个优化工作量的解决方案。
2022-11-09 cs.AI
A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting
Beihang University(北京航空航天大学);NSFOCUS Technologies Group Co., Ltd.(绿盟科技集团股份有限公司);China Electronics Technology Taiji Group Corporation Limited(中国电子科技太极集团有限公司)
针对复杂交通网络易受攻击的安全挑战,提出基于韧性趋势预测的恢复方法,通过SIRD-R故障传播模型和LSTM预测韧性,实验验证了方法的有效性与可扩展性。
2026-09-24 cs.AI
From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks
University of New South Wales(新南威尔士大学)
针对现有交通预测基准假设固定传感器集的问题,提出包含长达27年数据的XXLTraffic数据集及其传感器演化版本EvoXXLTraffic,定义年度流式预测协议,并评估多种基线方法,发现超大规模演化数据集更贴近现实且许多现有SOTA方法失效。
2026-11-13 cs.AI
Graph Neural Network for Traffic Forecasting: A Survey
Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
交通预测是智能交通系统成功的关键。深度学习模型,包括卷积神经网络和递归神经网络,已被广泛应用于交通预测问题中,以对空间和时间依赖性进行建模。近年来,为了对交通系统中的图结构以及上下文信息进行建模,已经引入了图神经网络,并且在一系列交通预测问题中取得了最先进的性能。在本调查中,我们回顾了使用不同图神经网络(例如图卷积和图注意力网络)在各种交通预测问题(例如道路交通流量和速度预测、城市轨道交通系统中的客流预测以及乘车平台中的需求预测)中快速增长的研究主体。我们还为每个问题提供了一个全面的开放数据和源资源列表,并确定了未来的研究方向。据我们所知,本文是第一个全面的调查,探讨应用图神经网络的交通预测问题。我们还创建了一个公共GitHub存储库,其中将更新最新的论文,开放数据和源资源。
2022-02-22 cs.AI cs.LG
Learning dynamic and hierarchical traffic spatiotemporal features with Transformer
交通预测是智能交通系统(ITS)中不可或缺的重要组成部分,而长期准确的全路网交通速度预测是其中最具挑战性的任务之一。最近,深度学习方法在该领域变得流行。由于交通数据与道路网络的物理关联,大多数模型将其视为时空图建模问题,并使用基于图卷积网络(GCN)的方法。这些基于GCN的模型高度依赖于预定义的和固定的邻接矩阵来反映空间依赖性。然而,预定义的固定邻接矩阵在反映业务流的实际相关性方面是有限的。本文提出了一种新的模型,交通Transformer,时空图建模和长期的交通预测,以克服这些局限性。Transformer是自然语言处理(NLP)中最流行的框架。Traffic Transformer将其应用于时空问题,通过多头注意力和屏蔽多头注意力机制,动态地从数据中分层提取时空特征,并融合这些特征进行流量预测。此外,分析注意力权重矩阵可以找到道路网络的影响部分,使我们能够更好地学习交通网络。在公共交通网络数据集和真实交通网络数据集上的实验结果表明,该模型具有更好的性能.
2021-04-12 cs.AI
Application and Evaluation of Large Language Models for Forecasting the Impact of Traffic Incidents
本文研究利用大语言模型结合交通特征与事件日志预测交通事故影响,通过优化上下文学习示例选择,在真实数据集上验证其准确率可媲美最先进的机器学习模型,且无需专门训练。
2025-07-07 cs.AI
STPFormer: A State-of-the-Art Pattern-Aware Spatio-Temporal Transformer for Traffic Forecasting
本文提出STPFormer,一种模式感知时空Transformer,通过四个模块实现统一可解释的表示学习,在五个真实数据集上取得交通预测的最优性能。
2025-08-19 cs.AI
GAMMA-Net: Adaptive Long-Horizon Traffic Spatio-Temporal Forecasting Model based on Interleaved Graph Attention and Multi-Axis Mamba
School of Artificial Intelligence, Chongqing University of Technology(重庆理工大学人工智能学院)
本文提出GAMMA-Net,结合图注意力网络与多轴Mamba模块,有效捕捉交通数据的复杂时空依赖关系,实验表明其在多个基准数据集上均优于现有方法,MAE降低达16.25%。
2026-04-18 cs.AI
HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting
针对交通预测中复杂空间依赖与多尺度周期模式及不规则波动共存的挑战,提出HyperD框架解耦周期与残差分量并分别建模,引入双视角对齐损失增强分离,实验表明其预测精度、鲁棒性和计算效率均优于现有方法。
2025-11-16 cs.AI
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting
University of Washington(华盛顿大学);Beihang University(北京航空航天大学);STAR Lab(STAR实验室)
通过准确及时的交通预测,可以提前预测受影响的交通状况,以指导机构和居民适当地应对交通模式的变化。然而,现时的交通预测工作主要依赖过往的交通模式,只限于短期预测,例如少于1小时。为了更好地管理未来的道路通行能力并适应社会和人类的影响,提出一个灵活而全面的框架来预测公共用户和交通机构的物理感知长期交通状况是至关重要的。在本文中,鲁棒的长期交通预测的差距,弥补了社会媒体的特点考虑。首先进行相关性研究和线性回归模型,以评估两个时间序列数据,流量强度和Twitter数据强度之间的相关性的意义。然后,将两个时间序列数据输入我们提出的社会感知框架中,该框架将自然语言表示集成到时间序列记录中,用于长期流量预测。在大西雅图地区的实验结果表明,我们提出的模型优于基线模型在所有的评估矩阵。这个加入NLP的社会感知框架可以成为交通机构的网络范围内的流量预测和管理的一个有价值的实现。
2022-10-30 cs.AI cs.LG
Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting
Shanghai Jiao Tong University(上海交通大学);Ocean University of China(中国海洋大学)
针对数据稀缺城市的交通预测难题,本文提出 MTPB,通过源城市时空预训练、聚类构建多尺度模式库并由目标城市查询聚合元知识以指导图重构与预测,在真实数据集上优于现有方法。
2024-02-26 cs.AI cs.LG
Generalising Traffic Forecasting to Regions without Traffic Observations
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出GenCast模型,通过整合物理信息神经网络和外部信号学习模块,提升无交通观测区域的交通预测泛化能力。
2025-12-30 cs.AI cs.LG
Multi-Spatio-temporal Fusion Graph Recurrent Network for Traffic forecasting
Zhengzhou University(郑州大学)
交通预测对于新时代智慧城市的交通建设至关重要。然而,交通数据复杂的空间和时间依赖性使得交通预测极具挑战性。现有的交通量预测方法大多依赖于预定义的邻接矩阵来模拟时空相关性。然而,道路交通状态是高度实时的,因此邻接矩阵应随时间动态变化。本文提出了一种新的多时空融合图递归网络(MSTFGRN)来解决上述问题。该网络提出了一种数据驱动的加权邻接矩阵生成方法,以补偿预定义邻接矩阵未反映的实时空间依赖性。它还有效地学习隐藏的时空依赖,通过执行一个新的双向时空融合操作的并行时空关系在不同的时刻。最后,通过将全局注意力机制集成到时空融合模块中,同时捕获全局时空依赖性。在四个大规模的真实交通数据集上进行的广泛试验表明,与替代基线相比,我们的方法实现了最先进的性能。
2022-09-27 cs.AI cs.LG
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University(清华大学)
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同,我们的方法结合了所有的空间和时间信息,在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量(交通流)进行排序预测,并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中,给定导出的原因节点和相应的结果节点,采用高斯混合模型描述输入和输出之间的统计关系。最后,在最小均方误差(M.M.S.E.)准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting
Xinjiang University(新疆大学);College of Geography and Remote Sensing Sciences, Xinjiang University(新疆大学地理与遥感科学学院)
针对蜂窝网络流量预测难题,提出MSPF-Net框架,它集成外部上下文信息,含时空频率流量编码器、峰值增强模块等,能联合建模流量动态、突发模式和新闻上下文信号,实验证明可有效提升预测性能。
2026-07-09 cs.AI cs.LG
HiSTM: Hierarchical Spatiotemporal Mamba for Cellular Traffic Forecasting
Deggendorf Institute of Technology(多格多夫技术学院)
针对蜂窝流量预测中准确率与计算效率的权衡问题,提出分层时空Mamba(HiSTM)模型,结合双重空间编码器与Mamba时间模块,在大幅减少参数量的同时显著提升了预测准确率与泛化能力。
2025-08-07 cs.AI cs.NI
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
XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation
University of New South Wales(新南威尔士大学)
XXLTraffic是一个大规模交通数据集,用于支持超越测试适应的极长交通预测研究。
2025-12-02 cs.AI cs.LG
Transfer Learning and Online Learning for Traffic Forecasting under Different Data Availability Conditions: Alternatives and Pitfalls
TECNALIA(泰克纳利亚);Basque Research and Technology Alliance (BRTA)(巴斯克研究与技术联盟);University of the Basque Country (UPV/EHU)(巴斯克大学)
本研究旨在揭示迁移学习(TL)在缺乏数据的情况下开发交通流预测模型的潜力。在TL范式下,从高质量预测模型转移知识变得可行,从而能够用很少的数据生成新的适当模型。为了探索这种能力,我们确定了三种不同级别的数据缺失场景,其中TL技术应用于深度学习(DL)方法中进行流量预测。然后,传统的批处理学习进行比较TL基于模型使用真实的交通流数据,由马德里市议会(西班牙)管理的部署环路收集。此外,我们应用在线学习(OL)技术,其中模型在每次预测后接收更新,以适应交通流趋势的变化,并从新的传入交通数据中增量学习。所获得的实验结果揭示了交通流预测的传输和在线学习的优点,并在感兴趣的位置处与可用的训练数据的量的相互作用上得出实用的见解。
2020-05-08 cs.AI 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
Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Guangzhou HKUST Fok Ying Tung Research Institute(广州香港科技大学霍英东研究院);The Hong Kong University of Science and Technology(香港科技大学)
基于机器学习的交通预测模型利用复杂的时空自相关来提供对城市范围的交通状态的准确预测。然而,现有的方法假设一个可靠和公正的预测环境,这并不总是在野外可用。在这项工作中,我们调查时空流量预测模型的脆弱性,并提出了一个实用的对抗时空攻击框架。具体来说,而不是同时攻击所有的地理分布的数据源,迭代梯度引导节点显着性方法,提出了识别的受害者节点的时间相关的设置。此外,我们设计了一个时空梯度下降为基础的计划,以产生真正价值的对抗交通状态下的扰动约束。同时,我们从理论上证明了对抗性流量预测攻击的最坏性能界。两个真实世界的数据集上的广泛实验表明,所提出的两步框架实现了高达$67.8\%$性能退化的各种先进的时空预测模型。值得注意的是,我们还表明,使用我们提出的攻击进行对抗性训练可以显着提高时空流量预测模型的鲁棒性。我们的代码在\url{https://github.com/luckyfan-cs/ASTFA}中可用。
2022-10-05 cs.AI cs.CR cs.LG
Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting
University of Florida(佛罗里达大学)
针对传统神经微分方程难以捕捉延迟、动态边及突变趋势模式的问题,提出多视图神经微分方程架构,通过多视图潜在表征学习捕捉交通动态,在真实数据集上实现更优的长期交通预测精度与鲁棒性。
2024-08-12 cs.AI cs.LG
Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
China Mobile Research Institute(中国移动研究院);Beijing University of Posts and Telecommunications(北京邮电大学)
移动网络流量预测是移动网络日常运营中的重要功能之一。商用移动网络是一个庞大、异构、复杂和动态的网络。这些内在特征使得移动网络流量预测远未解决,即使使用最近的先进算法,例如基于图卷积网络的预测方法和各种注意力机制,这些算法在车辆流量预测中已被证明是成功的。在本文中,我们投的问题作为一个时空序列预测任务。我们提出了一种新的深度学习网络架构,自适应多感受野时空图卷积网络(AMF-STGCN),以模拟移动基站的流量动态。AMF-STGCN通过以下方式扩展了GCN:(1)联合建模移动网络中复杂的时空依赖性,(2)应用注意力机制来捕获异构基站的各种接收场,以及(3)引入基于完全连接的深度网络的额外解码器,以克服多步预测的错误传播挑战。在来自两个不同领域的四个真实数据集上的实验一致表明AMF-STGCN优于最先进的方法。
2021-11-01 cs.AI cs.LG
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
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
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
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
Traffic Accident Risk Forecasting using Contextual Vision Transformers
University of Technology Sydney(悉尼科技大学)
近年来,交通事故风险预测问题由于其对交通间隙的重要影响而受到智能交通系统界的关注。这个问题通常在文献中通过使用数据驱动的方法来解决,该方法对空间和时间事件的影响进行建模,因为它们被证明对于交通事故风险预测问题至关重要。为了实现这一目标,大多数方法都会构建不同的架构来捕获时空相关性特征,这使得它们对于大型交通事故数据集来说效率低下。因此,在这项工作中,我们提出了一种新的统一框架,即上下文视觉Transformer,可以在端到端的方法,可以有效地原因的空间和时间方面的问题,同时提供准确的交通事故风险预测。我们评估和比较的性能,我们提出的方法对基线方法从文献中的两个大规模的交通事故数据集从两个不同的地理位置。结果表明,与文献中先前的最先进的作品(SoTA)相比,RMSE得分有大约2%的显着改善。此外,我们提出的方法在两个数据集上的性能优于SoTA技术,同时只需要少23倍的计算需求。
2022-09-20 cs.AI cs.CV
Prediction, Expectation, and Surprise: Methods, Designs, and Study of a Deployed Traffic Forecasting Service
Microsoft Research(微软研究院);University of Washington(华盛顿大学)
我们目前的研究开发模型,预测交通流量和拥堵在大西雅图地区。这项研究导致了一项名为JamBayes的服务的部署,该服务正在通过智能手机和桌面版本的系统被2,500多名用户积极使用。我们回顾了建模工作,并描述了实验探测模型的预测精度。最后,我们提出了研究建立模型,可以识别当前和未来的惊喜,通过建模和预测意外情况的努力。
2012-07-04 cs.AI physics.soc-ph
Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting
Yale University(耶鲁大学)
基于图的交通流预测在交通系统、计算机网络等领域有着广泛的应用。由于复杂的时空相关性和非线性的交通模式,交通预测具有很大的挑战性。现有的工作大多是通过考虑空间相关性和时间相关性分别建模这种时空依赖性,而不能建模的直接时空相关性。受最近在图域中成功的Transformers的启发,在本文中,我们提出了直接使用本地多头自注意力的时空图上的跨时空相关性建模。为了降低时间复杂度,我们将注意力感受野设置为空间相邻的节点,并且我们还引入了自适应图来捕获隐藏的时空依赖性。基于这些注意力机制,我们提出了一种新的自适应图时空Transformer网络(ASTTN),它堆叠多个时空注意力层,以应用自注意力的输入图,其次是线性层的预测。在公共交通网络数据集METR-LA PEMS-BAY、PeMSD 4和PeMSD 7上的实验结果表明了该模型的优越性能。
2022-07-09 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
A comparative study of deep learning and ensemble learning to extend the horizon of traffic forecasting
The University of Melbourne(墨尔本大学)
本文比较了XGBoost和深度学习方法在长达30天的长期交通预测中的表现,发现随着预测视野延长,预测关键从时间依赖捕捉转向周期性建模,时间嵌入能有效提升模型性能。
2025-04-30 cs.AI cs.LG
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
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
Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting
Faculty of Information Science and Engineering, Ocean University of China(中国海洋大学信息科学与工程学院)
针对交通数据复杂时空动态导致的预测难题,提出STDN模型,通过动态图、时空嵌入及趋势-季节分解实现高效准确预测,并发布JiNan数据集。
2025-02-17 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
Frequency Enhanced Pre-training for Cross-city Few-shot Traffic Forecasting
Shanghai Jiao Tong University(上海交通大学)
本文提出FEPCross框架,利用城市间交通数据在频率域的相似性,通过跨域时空编码器与自监督预训练及抗过拟合微调,提升跨城市少样本交通预测性能。
2024-06-06 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
Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting
The University of Tokyo(东京大学);Toyota Motor Corporation(丰田汽车公司)
本文提出ConFormer,一种结合图传播与引导归一化层的条件变换器,通过整合交通事故和法规数据,提升交通预测的准确性和效率。
2025-12-10 cs.AI cs.LG
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
STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting
Nanyang Technological University(南洋理工大学);Agency for Science, Technology and Research(新加坡科技研究局);Institute for Infocomm Research(资讯通信研究院)
准确的交通信息长序列预测是智能交通系统发展的关键。我们可能会受益于神经网络分析技术的快速发展,以更好地了解交通网络的潜在功能模式,作为这一进展的结果。由于交通数据和设施利用情况依次依赖于过去和现在的情况,几个相关的神经网络技术的时间依赖性提取模型的基础上,已经开发来解决这个问题。另一方面,复杂的拓扑道路结构,放大了空间相互依赖的影响,这是不能捕获的纯时间提取方法。此外,典型的深度递归神经网络(RNN)拓扑结构对全面的长期预测所需的全局信息抽取有约束。本文提出了一种新的时空神经网络结构,称为时空图信息(STGIN),通过合并信息层和图注意力网络(GAT)层进行时空关系提取,来处理长期交通参数预测问题。注意力机制潜在地保证了长期预测性能,而不会从远距离输入中丢失显著的信息。在两个不同视野的真实交通数据集上,实验结果验证了长序列预测能力,并提供了进一步的解释。
2022-10-01 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
ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting
University of Pennsylvania(宾夕法尼亚大学);Princeton University(普林斯顿大学);Duke Kunshan University(昆山杜克大学);IBM Research(IBM研究院)
针对 STGNN 复杂且计算成本高的问题,提出仅由级联 MLP 与线性层构成、融合时空及图结构并采用通道独立策略的 ST-MLP,在准确率和效率上优于现有模型。
2023-08-14 cs.AI cs.LG
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
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
Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
在这份技术报告中,我们提出了我们的解决方案,以应对2022年的核心挑战和扩展挑战。在本次比赛中,参赛者需要根据前一小时的车辆计数器数据预测未来15分钟的交通状况。与同系列的其他比赛相比,今年的比赛侧重于不同数据源的预测和稀疏点到边的泛化。为了解决这些问题,我们引入了转置变分自动编码器(TVAE)模型来重建丢失的数据和图形注意力网络(GAT)来加强学习表示之间的相关性。我们进一步应用特征选择来从不同但容易获得的数据中学习交通模式。我们的解决方案在最终排行榜上的两项挑战中均排名第一。源代码可从\url{https://github.com/Daftstone/Traffic4cast}获得
2022-12-15 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
Embracing Large Language Models in Traffic Flow Forecasting
State Key Laboratory for Multimedia Information Processing, School of Computer Science, PKU-Anker LLM Lab, Peking University(信息处理国家重点实验室、计算机学院、PKU-Anker LLM实验室、北京大学);Department of Computer Science, University of California, Los Angeles(计算机科学系、加州大学洛杉矶分校);Carnegie Mellon University(卡内基梅隆大学);Paul G. Allen School of Computer Science and Engineering, University of Washington(保罗·G·阿伦计算机科学与工程学院、华盛顿大学)
针对现有交通流预测方法难适配测试阶段环境变化的问题,提出双分支结构的LEAF方法,借助大语言模型选择最优预测结果并以排序损失优化,经多数据集实验验证了有效性。
2025-08-01 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