面向智慧城市出行的 FusionTransNet：通过多模态网络集成进行时空交通预测
机器学习
2024-05-10 v1
摘要
本研究开发了 FusionTransNet，这是一个专为智能多模态城市交通系统中的起讫点 (OD) 流预测设计的框架。城市交通的复杂性源于各种交通模式之间的时空交互。受分析深圳多模态数据的启发，一个能够从微观局部层面到宏观城市全局视角剖析这些模式之间复杂时空交互的框架是必不可少的。该框架包含三个核心组件：模态内学习模块、模态间学习模块和预测解码器。模态内学习模块旨在分析单一交通模式内的空间依赖关系，促进对单模态时空动态的精细理解。模态间学习模块扩展了这一分析，通过在局部和全局尺度上分解交互，整合跨不同模式的数据以揭示跨模态相互依赖关系。最后，预测解码器综合前述模块的见解以生成准确的 OD 流预测，将复杂的多模态交互转化为预测。在深圳和纽约等大都市环境中进行的实证评估表明，与现有的最先进方法相比，FusionTransNet 具有卓越的预测准确性。本研究的意义超越了城市交通，因为在局部和全局尺度上跨不同时空图传递信息的方法在其他空间系统中也具有实用价值，例如供应链物流和流行病传播。
引用
@article{arxiv.2405.05786,
title = {FusionTransNet for Smart Urban Mobility: Spatiotemporal Traffic Forecasting Through Multimodal Network Integration},
author = {Binwu Wang and Yan Leng and Guang Wang and Yang Wang},
journal= {arXiv preprint arXiv:2405.05786},
year = {2024}
}