GAMMA-Net：基于交错图注意力和多轴Mamba的自适应长时程交通时空预测模型
人工智能
2026-04-21 v1
摘要
精准的交通预测对智能交通系统至关重要，能够支持有效的交通管理、拥堵减少以及有针对性的城市规划。然而，传统模型往往未能充分捕捉交通数据中所谓的时空依赖关系。为克服这些限制，我们引入GAMMA-Net，一种新方法，将图注意力网络（GAT）与多轴选择性状态空间模型（Mamba）相结合。GAT组件使用自注意力机制，动态调整交通网络中节点的影响，从而实现基于实时条件的自适应空间依赖建模。同时，Mamba模块高效地建模长期的时间和空间动态，而不像传统循环体系结构那样计算负担沉重。在包括METR-LA、PEMS-BAY、PEMS03、PEMS04、PEMS07和PEMS08在内的多个基准交通数据集上进行的广泛实验表明，GAMMA-Net在不同预测时程上均一致优于现有最先进模型，平均绝对误差（MAE）降低最高可达16.25%。消融研究突出显示，空间和时间组件均对提高预测准确性具有关键作用，凸显了它们在提高预测精度方面的互补性。综上所述，GAMMA-Net模型为交通预测领域树立了新标准，为下一代交通管理和城市规划提供了强大的工具。该研究的代码可在https://github.com/hdy6438/GAMMA-Net获取。
引用
@article{arxiv.2604.16859,
title = {GAMMA-Net: Adaptive Long-Horizon Traffic Spatio-Temporal Forecasting Model based on Interleaved Graph Attention and Multi-Axis Mamba},
author = {Dongyi He and Yuanquan Gao and Bin Jiang and He Yan},
journal= {arXiv preprint arXiv:2604.16859},
year = {2026}
}