迈向韧性交通：面向事故感知的交通预测条件 Transformer
机器学习
2025-12-11 v1 人工智能
摘要
交通预测仍是时空数据挖掘中的关键挑战，尽管深度学习已取得进展。准确的预测受到外部因素（如交通事故和管制措施）的复杂影响，而现有模型由于数据集成有限往往忽视这些因素。为解决这些局限，我们提供了来自东京和加利福尼亚的两个增强型交通数据集，融合了交通事故与管制数据。基于这些数据集，我们提出了 ConFormer（Conditional Transformer），一种将图传播与引导归一化层相结合的新框架。该设计基于历史模式动态调整时空节点关系，提升了预测精度。我们的模型在预测性能和效率上均超越了最先进的 STAEFormer，实现了更低的计算成本和更少的参数需求。大量评估表明，ConFormer 在多个指标上持续优于主流时空基线，凸显了其在推进交通预测研究方面的潜力。
引用
@article{arxiv.2512.09398,
title = {Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting},
author = {Hongjun Wang and Jiawei Yong and Jiawei Wang and Shintaro Fukushima and Renhe Jiang},
journal= {arXiv preprint arXiv:2512.09398},
year = {2025}
}