STEI-PCN：基于时空编码与推断的高效纯卷积网络交通预测模型
计算机视觉与模式识别
2025-04-14 v1 人工智能
摘要
交通数据表现出复杂的时序、空间和时空相关性。现有大多数模型要么使用独立模块分别提取时序和空间相关性，要么使用联合模块同步提取，未能充分考虑时空相关性。此外，那些考虑联合时空相关性（时序、空间和时空相关性）的模型在准确性和计算效率方面常面临显著挑战，限制了其在联合时空相关性架构方面的实际优势。为解决上述问题，本文提出了一种通过时空编码与推断实现高效纯卷积网络的交通预测方法（STEI-PCN）。该模型引入并设计了基于绝对时空坐标和相对时空距离编码的动态邻接矩阵推断模块，结合图卷积网络与门控机制捕捉局部同步联合时空相关性。此外，采用三层时序稀疏因果卷积网络捕捉长程时序相关性。最后，通过多视角协同预测模块，将门控激活后的原始特征、局部同步联合时空特征和长程时序特征融合，实现综合性预测。本研究在流量数据集（PeMS03/04/07/08）和速度数据集（PeMS-Bay）上进行了广泛实验，涵盖多个预测时段。结果表明，STEI-PCN 在训练和推理速度方面表现出竞争的计算效率，在大多数评估指标上达到或略低于最先进（SOTA）模型。
引用
@article{arxiv.2504.08061,
title = {STEI-PCN: an efficient pure convolutional network for traffic prediction via spatial-temporal encoding and inferring},
author = {Kai Hu and Zhidan Zhao and Zhifeng Hao},
journal= {arXiv preprint arXiv:2504.08061},
year = {2025}
}