从图结构视角统一车道级交通预测：基准与基线
机器学习
2025-06-17 v2 人工智能
摘要
长期以来，交通预测一直是研究中备受关注的关键领域，近年来在城市级到道路级预测方面取得了显著进展。随着车联网（V2X）技术、自动驾驶以及交通领域大规模模型的发展，车道级交通预测已成为不可或缺的方向。然而，由于缺乏全面统一的评估标准，加之数据和代码的公开可用性有限，该领域的进一步进展受到阻碍。在本文中，我们提出了首个车道级交通预测的系统分类框架，对现有方法提供了结构化的分类和分析。我们从两个真实道路网络构建了三个具有代表性的数据集，涵盖常规和非常规车道配置，并将其公开以支持未来的研究。我们进一步建立了统一的空间拓扑结构和预测任务表述，并提出了一种基于图结构和 MLP 网络的简单而有效的基线模型 GraphMLP。这一统一框架实现了跨数据集和建模范式的一致评估。我们还复现了现有研究中此前不可用的代码，并进行了大量实验，从准确性、效率和适用性方面评估了一系列模型，提供了首个联合考虑车道级交通场景预测性能和训练成本的基准。所有数据集和代码均发布于 https://github.com/ShuhaoLii/LaneLevel-Traffic-Benchmark。
引用
@article{arxiv.2403.14941,
title = {Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline},
author = {Shuhao Li and Yue Cui and Jingyi Xu and Libin Li and Lingkai Meng and Weidong Yang and Fan Zhang and Xiaofang Zhou},
journal= {arXiv preprint arXiv:2403.14941},
year = {2025}
}