面向长期交通排放预测的尺度解耦时空建模
机器学习
2025-08-19 v1
摘要
长期交通排放预测对于城市空气污染的综合管理至关重要。传统预测方法通常通过挖掘时空依赖性构建时空图模型来预测排放。然而，由于交通排放在时间和空间上的多尺度耦合，这些时空图建模方法在长期推断过程中容易出现级联误差放大。为解决此问题，本文提出了一种用于长期交通排放预测的尺度解耦时空建模（SDSTM）框架。该框架利用不同尺度可预测性的差异，对不同尺度的特征进行分解和融合，同时约束其保持独立且互补。具体而言，模型首先引入基于Koopman升力算子的双流特征分解策略。通过Koopman算子将尺度耦合的时空动力学系统提升到无限维线性空间中，并利用门控小波分解划定可预测性边界。随后构建一种新颖的融合机制，融合基于交叉项损失的双流独立约束，动态细化双流预测结果，抑制相互干扰，提高长期交通排放预测的准确性。在西安二环路路段的交通排放数据集上进行的广泛实验表明，所提出的模型实现了最先进的性能。
引用
@article{arxiv.2508.11923,
title = {Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting},
author = {Yan Wu and Lihong Pei and Yukai Han and Yang Cao and Yu Kang and Yanlong Zhao},
journal= {arXiv preprint arXiv:2508.11923},
year = {2025}
}