面向交通流预测的时空感知趋势-季节性分解网络
机器学习
2025-02-19 v1 人工智能
摘要
交通预测对于优化旅行计划和提升公共安全至关重要，但交通数据中复杂的空间和时间动力学为准确预测带来了显著挑战。本文提出一种新型模型，时空感知趋势-季节性分解网络（STDN）。该模型通过构建动态图结构来表示交通流动，并引入新颖的时空嵌入来联合捕捉全局交通动力学。所学习的表征进一步通过专门设计的趋势-季节性分解模块进行细化，该模块在图中对每个交通节点的不同时间分离趋势-循环分量和季节性分量。这些分量随后通过编码器-解码器网络处理，以生成最终预测。在真实世界交通数据集上的大规模实验表明，STDN 在计算成本方面表现出色。此外，我们发布了一个名为“JiNan”的新型交通数据集，具有独特的城市内动力学，丰富了交通预测评估的场景完整性。
引用
@article{arxiv.2502.12213,
title = {Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting},
author = {Lingxiao Cao and Bin Wang and Guiyuan Jiang and Yanwei Yu and Junyu Dong},
journal= {arXiv preprint arXiv:2502.12213},
year = {2025}
}