事件导向的时空交通预测
机器学习
2026-04-08 v2 人工智能
摘要
近年来，深度学习和图神经网络方法在现代智能交通系统中取得了快速发展。然而，大多数现有工作仅关注从历史交通数据中捕获时空依赖关系，忽略了突发交通事件（如交通事故和恶劣天气）作为外部扰动，对时间模式产生实质性影响。我们认为，这一问题已成为建模交通系统动态和提高预测准确率的主要障碍，但事件的不可预测性使得从历史序列中观察模式变得困难。为此，本文提出了一种新型框架，称为事件导向时空图神经网络（IGSTGNN）。IGSTGNN通过两个核心组件显式建模事件的影响：一个事件-上下文空间融合（ICSF）模块来捕获初始的异构空间影响，一个时空事件影响衰减（TIID）模块来建模随后的动态耗散。为促进研究人们对事件对交通流时空影响的研究，构建并发布了一个大规模数据集，包含与交通时间序列时间对齐的事件记录。在新基准上，提出的IGSTGNN框架证明能够实现领先的性能。此外，验证了ICSF和TIID模块的通用性，通过将其集成到各种现有模型中进行验证。
引用
@article{arxiv.2602.02528,
title = {Incident-Guided Spatiotemporal Traffic Forecasting},
author = {Lixiang Fan and Bohao Li and Tao Zou and Junchen Ye and Bowen Du},
journal= {arXiv preprint arXiv:2602.02528},
year = {2026}
}