面向异常数据鲁棒交通速度预测的联合拓扑-数据融合图网络
机器学习
2025-07-02 v1 人工智能
摘要
准确的交通预测是智能交通系统(ITS)的关键任务，但现有方法难以处理交通动力学的内在复杂性和非线性，导致难以集成空间和时间特征。此外，现有方法使用静态技术处理非平稳和异常历史数据，这限制了适应性并削弱了数据平滑效果。为克服这些挑战，我们提出了图融合增强网络(GFEN)，这是一种用于网络级交通速度预测的创新框架。GFEN引入了一种新的拓扑时空图融合技术，通过可训练的方法细致提取并合并来自数据分布和网络拓扑的空间和时间相关性，从而实现对多尺度时空特征的建模。此外，GFEN采用将k阶差分基于数学框架与注意力机制深度学习结构相结合的混合方法，以适应性平滑历史观测并动态缓解数据异常和非平稳性。广泛的实验表明，GFEN在预测准确率上比最先进的方法提高约6.3%，收敛速度约为最近混合模型的一倍，确认了其卓越的性能和潜力，显著提升交通预测系统的效率。
引用
@article{arxiv.2507.00085,
title = {A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism},
author = {Ruiyuan Jiang and Dongyao Jia and Eng Gee Lim and Pengfei Fan and Yuli Zhang and Shangbo Wang},
journal= {arXiv preprint arXiv:2507.00085},
year = {2025}
}