XXLTraffic：超大规模交通预测数据集超越测试适应

交通预测对于智能城市和智能交通 initiative 至关重要，近年来深度学习在建模复杂时空模式方面取得了显著进展。然而，当前的公开数据集在反映真实场景中分布迁移本质方面存在局限，这些场景以持续演化的基础设施、不同的时间分布以及由于传感器停机或交通模式变化而产生的长时间间隔特征。这些局限不可避免地限制了现有交通预测数据集的实际应用性。为填补这一差距，我们提出 XXLTraffic，来自美国洛杉矶和澳大利亚新南威尔士州收集的最大公开交通数据集，时间跨度最长，旨在支持超长预测研究超越测试适应。我们的基准包括典型时间序列预测设置（以小时和日为单位聚合数据）以及引入间隔和下采样训练大小的新型配置，以更好地模拟实际约束。我们预计新的 XXLTraffic 将为时间序列和交通预测社区提供新的视角。这也提供了一个稳健的平台，用于开发和评估旨在解决超长预测问题的模型。我们的数据集补充了现有的时空数据资源，并导致该领域的新研究方向。