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
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
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
Comparative Analysis of Deep Learning Models for Real-World ISP Network Traffic Forecasting
Czech Technical University in Prague（布拉格捷克技术大学）；Faculty of Information Technology（信息技术学院）；Brno University of Technology（布尔诺理工大学）；CESNET, a.l.e.（CESNET公司）
本研究在真实ISP网络数据集CESNET-TimeSeries24上对比前沿深度学习模型的流量预测效果，明确不同粒度下精度与效率的平衡，建立可复现方法并提供研究基准。
2025-03-20 cs.AI cs.LG cs.NI
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
准确的交通状况预测对于提高城市交通系统的安全性、稳定性和效率至关重要。在现实中，它是具有挑战性的，以产生准确的交通预测，由于复杂的和动态的时空相关性。现有的研究大多只考虑了交通数据的部分特征和特性，建模和预测效果不理想。在本文中，我们提出了一个周期性的时空深度神经网络（PSTN）的三个关键模块，以提高预测性能的交通状况，通过一种新的集成的三种类型的信息。首先，将历史交通信息折叠并馈送到由图卷积网络和时间卷积网络组成的模块中。其次，最近的交通信息与历史输出一起通过由图卷积网络和门控递归单元框架组成的第二模块。最后，应用多层感知器处理辅路属性并输出最终预测。在两个公开的真实城市交通数据集上的实验结果表明，所提出的PSTN在短期交通状况预测方面明显优于最先进的基准
2021-08-05 cs.LG stat.AP stat.ML
Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；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）
准确的交通预测是智能交通系统的关键。尽管许多深度学习模型在长达1小时的短期交通预测方面已经达到了最先进的性能，但跨越多个小时的长期交通预测仍然是一个重大挑战。此外，大多数现有的深度学习流量预测模型都是黑箱，这带来了与可解释性和可解释性相关的额外挑战。我们开发了图金字塔自动生成器（X-GPA），一个可解释的基于注意力的时空图神经网络，它使用了一种新的金字塔自相关注意力机制。它可以从图上的长时间序列中学习，并提高长期流量预测的准确性。我们的模型可以实现高达35%更好的长期交通预测精度比几个国家的最先进的方法。来自X-GPA模型的基于注意力的分数提供了基于交通动态的空间和时间解释，其对于正常与高峰时段交通以及工作日与周末交通而变化。
2022-09-27 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
Embedding spatial context in urban traffic forecasting with contrastive pre-training
UNSW Sydney（新南威尔士大学悉尼分校）；School of Computer Science and Engineering（计算机科学与工程学院）
针对城市交通预测缺乏上下文感知方法的问题，提出基于交通商图的几何编码器，结合OpenStreetMap数据经对比预训练后集成到GNN交通预测模型中，无需额外交通数据即可提升泛化性与性能。
2025-03-19 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
Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework
Jilin University（吉林大学）
针对交通预测中忽略区域交通相关性与时间切片重要性的局限，提出融合矩阵提示增强自注意力时空交互预测框架FMPESTF，通过构建交通融合矩阵重构动态数据结构并引入分层时空交互学习，在六个真实数据集上显著优于基线模型。
2024-10-12 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
KST-GCN: A Knowledge-Driven Spatial-Temporal 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）
在考虑交通的空间和时间特征的同时，捕捉各种外部因素对出行的影响是实现准确交通预测的重要一步。然而，现有的研究很少考虑外部因素或忽视外部因素之间复杂的相关性对交通的影响。直觉上，知识图谱可以自然地描述这些相关性。由于知识图谱和交通网络本质上是异构网络，因此在两个网络中集成信息是具有挑战性的。在此背景下，本文提出了一种基于时空图卷积网络的知识表示驱动的交通预测方法。首先，我们构建了一个知识图谱的交通预测和知识表示派生的知识表示学习方法称为KR-学习算法。然后，我们提出了知识融合单元（KF-Cell），将知识和流量特征结合起来，作为时空图卷积骨干网络的输入。在真实世界数据集上的实验结果表明，我们的策略提高了骨干在各种预测范围内的预测性能。烧蚀和扰动分析进一步验证了该方法的有效性和鲁棒性。据我们所知，这是第一个研究，构建和利用知识图谱，以促进交通预测，它也提供了一个有前途的方向，整合外部信息和时空信息的交通预测。源代码可在https://github.com/lehaifeng/T-GCN/tree/master/KST-GCN上获得。
2022-01-19 cs.LG
TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning
Peking University（北京大学）
随着交通传感器的快速增长，大量的交通流数据被采集，揭示了交通流的长期演变和交通网络的逐步扩展。如何准确地预测这些交通流，对于提高交通系统的运行效率具有重要意义，因此受到研究者的关注。然而，现有的方法主要集中在静态网络的时空相关性，留下的问题，有效地学习模型的网络扩展和演变模式的研究较少。针对这一问题，本文提出了一种基于图神经网络和持续学习的流媒体流量预测框架--流媒体流（Streaming Traffic Flow），实现了准确的预测和高效的预测。首先，我们设计了一种交通模式融合方法，巧妙地将长期出现的新模式融合到模型中。提出了一种基于JS发散度的新业务模式挖掘算法。其次，我们引入CL来巩固以前学到的知识，并将它们转移到当前模型中。具体而言，我们采用了两种策略：历史数据回放和参数平滑。我们构建了一个流媒体流量数据集来验证我们的模型的效率和有效性。大量的实验表明，它具有良好的潜力，以提取高效率的长期流网络场景的流量模式。源代码可在https://github.com/AprLie/TrafficStream上获得。
2021-06-11 cs.LG
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
MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting
交通量预测是智能交通监控系统的核心内容。基于图神经网络的方法已被广泛用于此任务，以有效地捕捉道路网络的空间和时间依赖性。然而，这些方法不能有效地定义复杂的网络拓扑结构。此外，它们的级联网络结构在时间和空间维度上都存在传输不同特征的局限性。本文提出了一种多自适应时空流图神经网络（MAF-GNN）的交通速度预测方法。MAF-GNN引入了一种有效的多自适应邻接矩阵机制来捕获交通节点之间的多个潜在空间依赖关系。此外，我们提出了时空流模块，旨在进一步提高在时间和空间维度的特征传播。MAF-GNN在METR-LA和PeMS-Bay两个真实的公交网络数据集上取得了比其他模型更好的性能，证明了该方法的有效性。
2022-03-09 cs.LG
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
Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge
Bolt Technology（博尔特科技）；University of Bucharest（布加勒斯特大学）
准确的交通预测对于优化出行规划和高效的城市交通至关重要。IARAI（人工智能高级研究所）组织了一项基于真实数据的年度交通预测竞赛“Traffic 4cast”[https：//www.iarai.ac.at/traffic4cast/]，旨在利用人工智能的进步来产生准确的交通估计。我们提出了我们的解决方案，IARAI的mixic 4cast 2022竞争，其中的目标是开发预测道路图边缘拥堵类和超段级行驶时间的算法。与前几年相比，今年的比赛侧重于建模图边缘水平的行为，而不是更粗糙的聚合基于网格的交通电影。由于这一点，我们利用了一种类似于表格数据建模的方法--梯度提升决策树集成。我们降低了代表交通计数器的输入数据的维数与经典的PCA方法的帮助下，并将其作为输入到LightGBM模型。这种简单、快速和可扩展的技术使我们在核心竞争中获得第二名。源代码和对训练模型文件和提交的引用可在https://github.com/skandium/t4c22上获得。
2022-10-31 cs.LG
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
Continual Traffic Forecasting via Mixture of Experts
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
针对交通网络持续扩展中的灾难性遗忘问题，提出专家混合模型TFMoE，将交通流分组并由不同专家负责，在PEMSD3-Stream数据集上验证了其持续学习的有效性与效率。
2024-06-05 cs.LG
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
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
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
SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer
Sungkyunkwan University（成均馆大学）；University of California, Riverside（加州大学河滨分校）；Center for Computational & Data Sciences, Independent University, Bangladesh（孟加拉国独立大学计算与数据科学中心）
本文提出单源元迁移学习SSMT，仅利用一个源城市数据，通过记忆增强注意力和元位置编码实现数据稀缺目标城市的少样本交通预测，并在多个基准上取得优于现有方法的效果。
2024-10-21 cs.LG
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
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
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
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
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
HieraMix: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting
State Key Laboratory of Complex & Critical Software Environment (SKLCCSE)（复杂关键软件环境国家重点实验室）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；MOE Engineering Research Center of Advanced Computer Application Technology, Beihang University（教育部先进计算机应用技术工程研究中心，北京航空航天大学）
本文提出HieraMix框架，通过分层时空混合模块和自适应区域混合器，实现高效有效的大规模交通预测，实验表明其在性能和效率上均优于现有方法。
2026-06-29 cs.LG
Learning to Transfer for Traffic Forecasting via Multi-task Learning
Layer 6 AI
深度神经网络在短期流量预测方面表现出优越的性能。然而，大多数现有的交通预测系统假设训练和测试数据来自相同的底层分布，这限制了它们的实用性。NeurIPS 2021年网络流量预测挑战赛是首个致力于对流量预测模型在空间和时间上的域变化进行鲁棒性基准测试的挑战赛。本技术报告描述了我们应对这一挑战的解决方案。特别是，我们提出了一个多任务学习框架的时间和时空领域自适应的交通预测模型。实验结果表明，我们的多任务学习方法实现了强大的经验性能，优于一些基线领域自适应方法，同时保持高效。本技术报告的源代码可在https://github.com/YichaoLu/Traffic4cast2021上获得。
2021-11-27 cs.CV 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
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
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
Uncertainty Quantification for Traffic Forecasting: A Unified Approach
Aalborg University（奥尔堡大学）；University of Electronic Science and Technology of China（电子科技大学）；Southern University of Science and Technology（南方科技大学）
不确定性是时间序列预测任务的重要考虑因素。在这项工作中，我们特别关注量化交通预测的不确定性。为了实现这一目标，我们开发了深度时空不确定性量化（DeepSTUQ），它可以估计任意和认知的不确定性。我们首先利用时空模型来模拟交通数据的复杂时空相关性。随后，两个独立的子神经网络最大化的异质对数似然估计任意的不确定性。为了估计认知不确定性，我们分别通过集成Monte Carlo dropout和Adaptive Weight Averaging再训练方法，结合了变分推理和深度集成的优点。最后，我们提出了一种基于温度标度的后处理校准方法，提高了模型估计不确定性的泛化能力。在四个公共数据集上进行了大量的实验，实验结果表明，该方法在点预测和不确定性量化方面都优于最先进的方法。
2022-08-11 cs.LG
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
Adaptive Modeling of Uncertainties for Traffic Forecasting
深度神经网络（DNN）已经成为开发流量预测模型的主要方法。这些模型通常经过训练，以最小化平均测试用例的误差，并产生单点预测，例如交通速度或行驶时间的标量值。然而，单点预测无法解释预测的不确定性，这对于许多运输管理场景至关重要，例如确定最佳或最差情况下的到达时间。我们提出了QuanTraffic，这是一个通用框架，可以增强任意DNN模型的不确定性建模能力。QuanTraffic几乎不需要人工参与，并且在部署过程中不会改变DNN的基础架构。相反，它在DNN模型训练期间自动学习标准分位数函数，以产生单点预测的预测区间。预测间隔定义了业务预测的真实值可能落入的范围。此外，QuanTraffic开发了一种自适应方案，该方案根据测试输入的位置和预测窗口动态调整预测间隔。我们通过将QuanTraffic应用于五个代表性的DNN模型，在七个公共数据集上进行流量预测来评估QuanTraffic。然后，我们比较了QuanTraffic对五个不确定性量化方法。与基线不确定性建模技术相比，具有基本DNN架构的QuanTraffic在报告的数据集上提供了比现有技术更好和更强大的性能。
2023-03-16 cs.LG
Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data
Urban Transport Systems Laboratory (LUTS), École Polytechnique Fédérale de Lausanne (EPFL)（城市交通系统实验室（LUTS），瑞士联邦理工学院（EPFL））；Visual Intelligence for Transportation Laboratory (VITA), École Polytechnique Fédérale de Lausanne (EPFL)（交通视觉智能实验室（VITA），瑞士联邦理工学院（EPFL））
本文研究多源交通速度预测问题，提出基于图的模型HiMSNet整合无人机与线圈检测器数据，实验证明在传感器覆盖率低且受噪声影响时该多模态方法能提升预测精度。
2025-04-28 cs.LG
TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting
Faculty of Applied Sciences, Macao Polytechnic University（应用科学学院，澳门理工学院）；Amazon Web Services, Inc.（亚马逊网络服务公司）；Macao Polytechnic University（澳门理工学院）
TSNN通过解耦时间序列提升预测精度，采用非参数方法保持模型简洁，实验显示其在四个真实交通数据集上表现优异，且能可视化解耦过程和模型可解释性。
2026-05-09 cs.LG
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
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
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
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
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
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
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
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
交通预测已经成为智能交通系统的核心组成部分。然而，及时准确的交通预测，特别是长期预测，仍然是一个开放的挑战，由于高度非线性和动态的时空依赖性的交通流。在本文中，我们提出了一种新的范式时空Transformer网络（STTN），利用动态定向的空间依赖性和长期的时间依赖性，以提高长期流量预测的准确性。具体来说，我们提出了一个新的变种的图神经网络，命名为空间Transformer，通过动态建模有向空间依赖与自注意机制，以捕捉实时交通状况以及交通流的方向性。此外，不同的空间依赖模式可以联合建模与多头注意力机制，考虑不同的关系相关的不同因素（如相似性，连接性和协方差）。另一方面，时间Transformer被用来模拟跨多个时间步长的长范围双向时间依赖性。最后，它们被组成一个块，以联合建模的时空依赖性，准确的交通预测。与现有的作品相比，该模型能够在长范围的时空依赖性上进行快速和可扩展的训练。实验结果表明，该模型在实际PeMS-Bay和PeMSD 7（M）数据集上的长期流量预测结果优于现有模型.
2021-03-29 cs.LG eess.SP
