UniST-Pred：面向交通网络中突发状况下的统一时空交通预测框架
机器学习
2026-02-17 v1 人工智能
摘要
时空交通预测是智能交通系统的核心组成部分，支持信号控制和网络级交通管理等各种下游任务。在实际部署中，预测模型必须在结构性和观测不确定性条件下运行，这些条件在模型设计中鲜有被考虑。近期方法通过紧密耦合空间和时间建模在实现强劲的短期预测性能方面取得了好成绩，往往以牺牲复杂度和模块化为代价。相比之下，高效时间序列模型能够在不依赖显式网络结构的情况下捕获长程时序依赖性。我们提出了 UniST-Pred，一个统一的时空预测框架，该框架首先将时序建模与空间表征学习解耦，然后通过自适应表征级别融合将两者集成。为了评估所提出方法的鲁棒性，我们基于基于代理的细粒度交通模拟器 (MATSim) 构建了一个数据集，并在严重网络断连情景下评估了 UniST-Pred。此外，我们在标准交通预测数据集上对 UniST-Pred 进行基准测试，展示了其在轻量级设计下仍能与现有成熟模型保持竞争性能。结果表明，UniST-Pred 在真实数据集和模拟数据集上都能保持强大的预测性能，同时在基础设施中断期间也能提供可解释的时空表征。该项目的源代码和生成的数据集均可在 https://anonymous.4open.science/r/UniST-Pred-EF27 上获取。
引用
@article{arxiv.2602.14049,
title = {UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions},
author = {Yue Wang and Areg Karapetyan and Djellel Difallah and Samer Madanat},
journal= {arXiv preprint arXiv:2602.14049},
year = {2026}
}