RIPCN：面向概率交通流预测的道路阻抗主成分网络
机器学习
2025-12-29 v1 人工智能
摘要
准确的交通流预测对于导航和叫车等智能交通服务至关重要。在此类应用中，对预测不确定性的估计很重要，因为它有助于评估交通风险水平、评估预测可靠性并提供及时警报。因此，概率交通流预测 (PTFF) 正受到广泛关注，因为它既能产生点预测，又能提供不确定性估计。然而，现有的 PTFF 方法仍面临两个关键挑战：(1)如何揭示并建模交通流不确定性的成因以实现可靠预测，(2)如何捕捉不确定性的时空相关性以实现精确预测。为此，我们提出了 RIPCN，即道路阻抗主成分网络，将领域特定的交通理论与时空主成分学习相结合，用于 PTFF。RIPCN 引入动态阻抗演化网络，捕捉由道路拥堵水平和流量变动驱动的方向性交通传递模式，从而揭示不确定性的直接成因，增强可靠性和可解释性。此外，设计了主成分网络，用于预测未来流量协方差的主导特征向量，使模型能够捕捉时空不确定性相关性。这种设计既实现了准确且高效的不确定性估计，又提高了点预测性能。在真实世界数据集上的实验结果表明，我们的方法优于现有的概率预测方法。
引用
@article{arxiv.2512.21685,
title = {RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting},
author = {Haochen Lv and Yan Lin and Shengnan Guo and Xiaowei Mao and Hong Nie and Letian Gong and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2512.21685},
year = {2025}
}
备注
Accepted at KDD 2026. 12 pages, 10 figures