RAST：一种面向交通预测的检索增强时空框架
机器学习
2026-01-01 v2 人工智能
摘要
交通预测是现代智能交通系统的基石，也是时空预测中的关键任务。尽管已实现高级时空图神经网络（STGNNs）和预训练模型在交通预测中取得显著进展，但仍存在两个关键挑战：（i）在建模复杂时空依赖关系时，上下文容量有限；（ii）由于模式异构性，在细粒度时空点上的可预测性较低。灵感来自检索增强生成（RAG），我们提出RAST框架，将检索增强机制与时空建模相结合，以应对这些挑战。我们的框架包含三个关键设计：1）解耦编码器和查询生成器以捕获解耦的空间和时间特征并通过残差融合构建融合查询；2）时空检索存储库和检索器以维护和检索细粒度模式；3）通用背板预测器灵活适配预训练STGNN或简单MLP预测器。在包括大规模数据集在内的六个真实交通网络上的广泛实验表明，RAST在保持计算效率的同时实现了性能卓越。
引用
@article{arxiv.2508.16623,
title = {RAST: A Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction},
author = {Weilin Ruan and Xilin Dang and Ziyu Zhou and Sisuo Lyu and Yuxuan Liang},
journal= {arXiv preprint arXiv:2508.16623},
year = {2026}
}
备注
Accepted by AAAI 2026 (AI for Social Impact)