Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers
机器学习
2026-03-18 v1
摘要
可靠的多时段交通预测具有挑战性，因为网络条件具有随机性、事件干扰具有间歇性，而有效的空间依赖关系随时间段模式而变化。本研究基于俄亥俄州交通部 (ODOT) 交通计数数据及其对应的 ODOT 事故记录进行。该工作利用具备自适应 conformal 预测 (ACP) 的时空 Transformer (STT) 模型，生成带校准不确定性的多时段预测。我们提出一种分段变异系数 (CV) 策略，利用对数正态分布建模小时间旅行时间的变异性，从而构建每个小时动态的邻接矩阵。进一步通过利用来自 ODOT 事故数据集中与事件相关的严重程度信号（包括事件清除时间、天气条件、超速违规、施工区域及道路功能等级）扰动边权，以捕捉局部干扰及峰/谷转换。这种动态图构建取代了固定-CV 假设，更好地代表预测窗口内变化的交通条件。为验证，我们在 SUMO 仿真中对哥伦布，俄亥俄州网络执行多小时循环运行，生成 Vehicle Under Test (VUT) 的旅行时间分布进行蒙特卡罗模拟。实验表明，该方法在长时段预测准确率和校准预测区间方面优于其他基线方法。
引用
@article{arxiv.2603.16857,
title = {Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers},
author = {Mayur Patil and Qadeer Ahmed and Shawn Midlam-Mohler and Stephanie Marik and Allen Sheldon and Rajeev Chhajer and Nithin Santhanam},
journal= {arXiv preprint arXiv:2603.16857},
year = {2026}
}