GSMT：面向多巴士轨迹预测的图融合与时空任务校正

准确的巴士轨迹预测在智能交通系统中至关重要，尤其是在城市环境中。在多模态数据访问受限的发展中地区，尽管存在固有挑战，仅依赖车载 GPS 数据仍然是不可或缺的。为了解决这个问题，我们提出了 GSMT，这是一种将图注意力网络（GAT）与序列到序列循环神经网络（RNN）相结合的混合模型，并引入了一个能够从大规模轨迹数据中提取复杂行为模式的任务校正器。该任务校正器对历史轨迹进行聚类以识别不同的运动模式，并对 GAT 和 RNN 生成的预测进行微调。具体而言，GSMT 通过嵌入式混合网络融合动态巴士信息和静态站点信息以进行轨迹预测，并在生成初始预测后应用任务校正器进行二次细化。这种两阶段方法使得在复杂条件下密集城市交通环境中运行的巴士之间能够进行多节点轨迹预测。在马来西亚吉隆坡的真实世界数据集上进行的实验表明，我们的方法显著优于现有方法，在短期和长期轨迹预测任务中均取得了卓越的性能。