基于时间可达性的多任务学习框架：缺失数据下的车道级交通流预测新方法

本文提出TAMLF-I&P（Time Accessibility-based Multi-task Learning Framework）创新框架，通过动态构建时间可达性邻接矩阵（DGCN+LSTM架构）同步优化缺失数据填补（MDI）与交通流预测（TFP），在70%数据缺失场景下实现MAE降低7.79%，为智能交通系统（ITS）提供强鲁棒性解决方案。

　　

研究亮点

本研究提出基于时间可达性的多任务学习框架（TAMLF-I&P），通过动态构建时间可达性邻接矩阵，有效捕捉信号控制交叉口车道间的实时拓扑关系。采用扩散图卷积网络（DGCN）与长短期记忆网络（LSTM）相结合的深度学习架构，同步优化缺失数据填补（MDI）和交通流预测（TFP）任务，避免分步执行导致的误差累积。

数值实验

为验证TAMLF-I&P在缺失数据填补和交通流预测中的有效性，本研究采用两个真实城市路网数据集进行对比实验。后续分析从实验设置到结果讨论展开全面评估。

结论

TAMLF-I&P框架通过融合多源交通数据与领域知识，构建的时间可达性邻接矩阵能精准捕捉实时通行效率与拥堵动态。该框架在复杂信号控制城市路网中显著提升高缺失数据场景下的预测精度，消融实验证实其核心组件对模型性能的关键贡献。