DETNO：一种用于长期交通预测的扩散增强Transformer神经算子
机器学习
2025-08-28 v1 应用统计
摘要
准确进行长期交通预测仍然是智能交通系统中的关键挑战，特别是在预测高频交通现象（如激波和拥堵边界）以及在长时间滚动预测范围内。神经算子最近作为建模交通流的很有前景的工具受到关注。虽然它们在有效学习函数空间映射方面表现出色，但它们本质上产生平滑的预测，无法重建高频特征（如尖锐的密度梯度），这导致在多步滚动预测中快速误差累积，而多步滚动预测对于实时交通管理至关重要。为了解决这些基本限制，我们提出了一种统一的扩散增强Transformer神经算子（DETNO）架构。DETNO利用带有交叉注意力机制的Transformer神经算子，提供模型表达能力和超分辨率，并结合基于扩散的细化组件，通过渐进去噪迭代重建高频交通细节。这克服了标准神经算子的固有平滑限制和滚动不稳定性。通过在混沌交通数据集上的全面评估，我们的方法在长时间滚动预测中表现出优于传统和基于Transformer的神经算子的性能，保留了高频分量并改善了长期预测的稳定性。
引用
@article{arxiv.2508.19389,
title = {DETNO: A Diffusion-Enhanced Transformer Neural Operator for Long-Term Traffic Forecasting},
author = {Owais Ahmad and Milad Ramezankhani and Anirudh Deodhar},
journal= {arXiv preprint arXiv:2508.19389},
year = {2025}
}