M3-Net：一种面向交通预测的无图结构基于多层感知器的低成本模型
机器学习
2025-11-13 v3 人工智能
摘要
实现准确的交通预测是当前智能交通系统发展中的一个基本但关键任务。大多数在交通预测方面取得突破性进展的方法都依赖于时空图神经网络、时空注意力机制等。现有深度学习方法的主要挑战在于，要么依赖完整的交通网络结构，要么需要复杂的模型设计来捕捉复杂的时空依赖关系。这些限制给大规模数据集上的深度学习模型的高效部署和运行带来了重大挑战。为了应对这些挑战，我们提出一种面向交通预测的低成本、无图结构的多层感知器（MLP）模型 M3-Net。我们提出的模型不仅采用时间序列和时空嵌入进行高效特征处理，还首次引入一种融合专家（MoE）机制的新型 MLP-Mixer 架构。在多个真实数据集上进行的广泛实验表明，所提出的模型在预测性能和轻量级部署方面具有优势。我们的代码已公开于 https://github.com/jinguangyin/M3_NET
引用
@article{arxiv.2508.08543,
title = {M3-Net: A Cost-Effective Graph-Free MLP-Based Model for Traffic Prediction},
author = {Guangyin Jin and Sicong Lai and Xiaoshuai Hao and Mingtao Zhang and Jinlei Zhang},
journal= {arXiv preprint arXiv:2508.08543},
year = {2025}
}