面向未观测位置的 MoGERNN：一种归纳式交通预测器
机器学习
2026-04-21 v2
摘要
在部分观察到的道路网络上，如何预测感兴趣的未观测位置的交通状态？交通预测是高级交通管理系统的关键任务，深度学习方法显示出卓越的性能。然而，大多数现有方法假设传感器部署在所有感兴趣的位置，这在财务限制下是不切实际的。此外，这些方法通常对传感网络的结构变化极其脆弱，即使在传感器配置发生细微变化时也需要高昂的重新训练。为此，我们提出了 MoGERNN，一种归纳式时空图模型，包含两个关键组件：(i) 具备稀疏门控机制的图专家混合模型（MoGE），可动态将节点路由到专用图聚合器，从而有效地捕获异构的空间依赖性；(ii) 图编码-解码架构，利用这些嵌入来捕获空间和时间依赖性，以实现全面交通状态预测。在两个真实数据集上的实验表明，MoGERNN 在 observed 和未观测位置上均一致优于基线方法。MoGERNN 能够准确预测无传感器区域的拥堵演化，为交通管理提供有价值的信息。此外，MoGERNN 能适应传感器网络的变化，即使在未重新训练的情况下也能保持竞争性能。不同可用传感器数量的测试确认了其一致的优势，消融研究验证了其关键模块的有效性。本工作的代码已公开于：https://github.com/ZJU-TSELab/MoGERNN。
引用
@article{arxiv.2501.12281,
title = {MoGERNN: An Inductive Traffic Predictor for Unobserved Locations},
author = {Qishen Zhou and Yifan Zhang and Michail A. Makridis and Anastasios Kouvelas and Yibing Wang and Simon Hu},
journal= {arXiv preprint arXiv:2501.12281},
year = {2026}
}