FUSE-Traffic：面向事件感知交通预测的结构与非结构数据融合
机器学习
2025-10-21 v1 人工智能
摘要
精准的交通预测是构建智能交通系统（ITS）的核心技术，旨在实现城市资源的最优配置并提升出行体验。随着城市化进程的加快，交通拥堵日益加剧，凸显出对可靠且响应式预测模型的需求。近年来，基于图神经网络（GNN）的深度学习方法已成为交通预测的主流范式。GNNs 能够有效捕捉道路网络拓扑结构中复杂的空间依赖关系以及交通流数据中动态时序演化模式。诸如 STGCN、GraphWaveNet 等基础模型，以及近期涌现的 STWave、D2STGNN 等方法，在标准交通数据集上取得了令人瞩目的性能。这些方法融合了精细的图卷积结构和时序建模机制，尤其擅长捕捉和预测具有周期性规律性的交通模式。为应对这一挑战，研究者们探索了多种方式以融合事件信息。早期尝试主要依赖人工工程化的事件特征。例如，一些方法引入人工定义的 incident effect 评分或为不同事件引发的交通条件构建特定子图。虽然这些方法在一定程度上提升了对特定事件的响应性，但其核心缺点在于高度依赖领域专家的先验知识，难以泛化至多样化且复杂的未知事件，且低维人工特征常常导致丰富语义细节的丢失。
引用
@article{arxiv.2510.16053,
title = {FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting},
author = {Chenyang Yu and Xinpeng Xie and Yan Huang and Chenxi Qiu},
journal= {arXiv preprint arXiv:2510.16053},
year = {2025}
}