面向城市高速公路数字孪生体的地理感知 Transformer 交通预测模型
人工智能
2026-02-06 v1
摘要
数字孪生技术在交通管理中的应用效能取决于持续供给高分辨率实时交通数据的 availability。为了使其在交通管理中发挥积极决策支持作用，数字孪生体还必须融合预测的交通条件，而不仅仅是实时观测数据。由于交通动力学的时空复杂性及其时变、非线性特性，预测高速公路交通仍是一项技术难题。基于序列的深度学习模型在捕捉时间序列交通数据中的长程时序依赖方面具有显著优势，然而在预测精度和模型复杂度方面仍存在局限，亟需进一步改进。为提升高速公路交通预测本文引入 Geographically-aware Transformer-based Traffic Forecasting GATTF 模型，通过分布式传感器之间的相互信息 (MI) 利用其地理关系。该模型采用来自瑞士日内瓦高速公路网络的实时数据进行评估，结果表明，通过 MI 引入地理感知可提升 GATTF 预测精度，同时不增加模型复杂度。
关键词
引用
@article{arxiv.2602.05983,
title = {Geographically-aware Transformer-based Traffic Forecasting for Urban Motorway Digital Twins},
author = {Krešimir Kušić and Vinny Cahill and Ivana Dusparic},
journal= {arXiv preprint arXiv:2602.05983},
year = {2026}
}
备注
IEEE IV2026 37th IEEE Intelligent Vehicles Symposium