基于跨模态重构预训练的高速公路交叉口坡道流量预测
机器学习
2025-12-01 v2 人工智能
摘要
交叉口是车辆在高速公路之间进行转换的关键节点，但由于缺乏实时坡道探测器，导致预测中存在盲点。为此，本文提出一种时空解耦自编码器（Spatio-Temporal Decoupled Autoencoder, STDAE），作为一个两阶段框架，利用跨模态重构预训练。第一阶段，STDAE从主干数据重建历史坡道流量，迫使模型捕获内在的时空关系。其解耦体系结构包含平行的空间和时间自编码器，能够高效提取异构特征。在预测阶段，将所学表示与模型（如GWNet）集成以提高准确度。实验在三个真实世界的交叉口数据集上进行，结果表明STDAE-GWNet consistently优于十三种最先进的基线方法，并在使用历史坡道数据的情况下达到相当的性能。这表明其有效克服了探测器稀缺的局面，具备广泛的可插即用潜力，可适用于多样化的预测管道。
引用
@article{arxiv.2510.03381,
title = {Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges},
author = {Yongchao Li and Jun Chen and Zhuoxuan Li and Chao Gao and Yang Li and Chu Zhang and Changyin Dong},
journal= {arXiv preprint arXiv:2510.03381},
year = {2025}
}