C2F-LGNet:一种结合局部-全局差异建模的粗粒度到细粒度框架,用于交通流量预测

《Neural Networks》:C2F-LGNet: A coarse-to-fine framework with local-global differential modeling for traffic prediction

【字体: 大 中 小 】 时间:2026年05月13日 来源:Neural Networks 6.3

编辑推荐:

  刘文正|李洪涛|张海娜|孙少龙|谢五志|贾晓燕摘要城市交通预测对于智能交通系统至关重要,因为它有助于缓解交通拥堵、进行交通管理以及制定高效的城市出行规划。然而,准确的预测仍然具有挑战性,因为现有的时空模型通常依赖于离散时间公式,这些公式不足以同时描述从局部到全局的交通演变过程。此

  
刘文正|李洪涛|张海娜|孙少龙|谢五志|贾晓燕

摘要

城市交通预测对于智能交通系统至关重要,因为它有助于缓解交通拥堵、进行交通管理以及制定高效的城市出行规划。然而,准确的预测仍然具有挑战性,因为现有的时空模型通常依赖于离散时间公式,这些公式不足以同时描述从局部到全局的交通演变过程。此外,具有统一和复杂结构的模型忽略了交通动态既包含易于学习的低频规律性,也包含难以预测的高频波动这一事实。为了解决这些问题,我们提出了一个从粗粒度到细粒度的时空学习框架——C2F-LGNet(Coarse-to-Fine Spatial-Temporal Learning with Local-Global Differential Network),该框架在统一的框架内逐步对交通动态进行建模。具体而言,交通信息首先由基于多层感知器的粗粒度学习器处理,该学习器逐步捕捉主要的、稳定的低频交通模式,同时保留更复杂的残差信息以供后续的细粒度优化。随后,围绕一个局部-全局常微分方程(ODE)模块开发了一个细粒度学习器,以进一步描述复杂的高频变化,并从局部和全局的角度对交通表示进行精细化处理。局部-全局ODE模块结合了多尺度卷积来处理局部空间相关性、多头自注意力来处理全局交互,以及一个神经ODE来描述局部和全局状态之间的连续演变。通过这种从粗粒度到细粒度的学习过程,C2F-LGNet实现了对交通动态的逐步建模,从而获得了更准确和稳健的预测结果。在交通速度、地铁客流量、共享单车和出租车流量数据集上的广泛实验表明,C2F-LGNet在准确性、稳健性和泛化能力方面始终优于现有的最先进模型,验证了所提出的从粗粒度到细粒度学习以及局部-全局差分建模方法的有效性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号