基于深度学习的网络-时序模型用于交通预测
机器学习
2026-03-13 v1 网络与互联网体系结构
摘要
时间序列分析是 emerging network智能控制和管理功能的关键环节。然而,现有的基于统计的方法和浅层机器学习模型在处理多变量时序数据时显示出有限的预测能力。网络数据中复杂的拓扑相互依赖性和复杂的时序模式对新模型方法提出了挑战。本文基于系统化的多变量时序模型研究,提出两种深度学习模型,旨在同时学习时序模式和网络拓扑相关性:一种定制化的网络-时序图注意力网络(GAT)模型和一种基于聚类策略的精调多模态大语言模型(LLM)。两种模型均针对一种已优于统计方法的LSTM模型进行研究。通过在真实世界网络数据集上的广泛训练和性能研究,表明LLM基于模型在整体预测和泛化性能方面表现出优越性,而GAT模型在降低预测方差方面表现出优势。更详细的分析也揭示了关于相关性可变性和预测分布差异性的重要见解,这些见解跨越时序数据和不同预测时段。
引用
@article{arxiv.2603.11475,
title = {Deep Learning Network-Temporal Models For Traffic Prediction},
author = {Yufeng Xin and Ethan Fan},
journal= {arXiv preprint arXiv:2603.11475},
year = {2026}
}