基于时空相关性融合的误差调整方法用于交通预测

深度神经网络（DNN）在越来越多的交通预测研究中发挥着重要作用，由于能够有效地捕捉交通数据中嵌入的时空模式。训练此类预测模型时使用的均方误差估计一般假设时间步长和空间位置之间的误差是不相关的。然而，由于交通数据的时相关性和空相关性，实际并非如此。这一假设的不成立限制了基于DNN的预测模型性能，并被当前研究所忽视。为弥合这一差距，本文提出了时空自相关误差调整（Spatiotemporally Autocorrelated Error Adjustment, SAEA）方法，旨在系统性地调整交通预测中的自相关误差。与现有方法假设预测误差遵循随机高斯噪声分布不同，SAEA将这些误差建模为时空向量自回归（VAR）过程，以捕捉其内在依赖性。首先，通过系数矩阵显式地捕捉空间和时间误差相关性，将其嵌入新构建的损失函数中。其次，引入结构稀疏正则化以整合先验空间信息，确保所学系数矩阵与道路网络结构相吻合。最后，设计一种具有测试时误差调整的推理过程，以动态细化预测，减轻实时预测中自相关误差的影响。在不同交通数据集上验证了所提方法的有效性。结果表明，在广泛的交通预测模型范围内，该方法在几乎所有情况下都能提升性能。