RCSNet：一种具有时空与结构一致性学习的道路条件交通影片预测网络
计算机视觉与模式识别
2026-05-28 v1
摘要
城市范围的交通预测对于拥堵管理、路线引导和智能交通系统至关重要，但当未来交通必须作为整个城市网络的空间地图生成时，准确预测仍然具有挑战性。现有的交通影片预测方法提高了帧级精度，但许多方法仍主要将预测视为图像重建。这可能会产生数值上接近真实值但受道路布局、连通性、行驶方向和拥堵传播约束较弱的交通地图，尤其是在交通行为和道路结构都发生变化的跨城市场景中。为解决这一局限性，本研究提出了RCSNet，一种道路条件时空网络，它将交通影片预测重新定义为拓扑引导的未来状态生成。RCSNet从静态道路地图中提取道路感知表示，从历史观测中建模多时间范围的交通动态，将方向性交通特征与局部道路结构对齐，并逐步生成未来交通地图以提高时间一致性。一个结构一致性学习目标进一步鼓励预测保持准确、与道路对齐且空间稳定。跨多个城市的实验表明，RCSNet提高了预测精度和结构一致性。在柏林、安特卫普和莫斯科的同城预测中，与最接近的基线相比，RCSNet平均MAE、MSE和RMSE分别降低了11.5%、10.0%和5.1%。在未见过的芝加哥和曼谷的跨城市测试中，无需目标城市微调，RMSE分别降低了10.6%和10.5。额外的时间范围、道路结构、可解释性、统计和效率分析表明，RCSNet生成了更准确、可迁移、与道路对齐且计算高效的交通预测。
引用
@article{arxiv.2605.27884,
title = {A Road-Conditioned Traffic Movie Prediction Network with Spatiotemporal and Structure-Consistent Learning},
author = {Joshua Kofi Asamoah and Blessing Agyei Kyem and Armstrong Aboah},
journal= {arXiv preprint arXiv:2605.27884},
year = {2026}
}
备注
22 pages (double column), 7 Tables, 11 Figures