高性价比且可扩展的交通流量预测：一种无图多视图MLP架构

《Neural Networks》：Cost-Effective and Scalable Traffic Forecasting: A Graph-Free Multi-View MLP Architecture

　　摘要
实现准确且可扩展的交通流量预测是现代智能交通系统的核心需求。尽管大型语言模型为城市计算带来了出色的零样本能力，但其庞大的参数规模和极高的部署成本，使得其在实时、大规模交通运营中的应用受到极大限制。与此同时，主流的时空预测方法仍严重依赖显式的拓扑图结构或计算成本高昂的注意力机制，这本身就导致了严重的可扩展性瓶颈。这些局限性凸显出当前研究中的一个关键分歧：迫切需要开发高效、轻量级的预测架构，以弥合理论精度与实际部署能力之间的差距。为应对这一部署需求，我们提出了时空多视图多层感知器网络（STMMN），这是一种高度可扩展且无需图结构的计算框架。与传统依赖图的范式不同，STMMN采用自适应空间聚类多层感知器模块，自动提取潜在的空间同质性。该机制简化了空间维度，有效避免了预定义拓扑的刚性，大幅降低了学习复杂度。此外，我们还引入了时间多视图聚合模块，能够无缝整合不同的时间特征，包括接近度、趋势和周期性，从而在无需依赖冗余注意力映射的情况下动态融合多尺度时间依赖关系。在多个真实世界的大规模数据集上进行的广泛实验表明，STMMN在保持领先预测精度的同时，还展现出极高的计算效率。最终，这项研究证明了轻量级、具备知识感知能力的模型在克服大规模城市工程运营中的部署瓶颈方面具有巨大的实用价值。

引言
准确的交通流量预测是现代智能交通系统的分析基础，为自适应信号控制、拥堵收费等关键应用提供支持。为捕捉交通数据中复杂的时空依赖关系，近年来人们不断尝试构建更复杂的架构。从依赖显式拓扑结构的时空图神经网络，到基于注意力的Transformer模型，再到最近出现的大型语言模型，这些技术进步不断推动着预测精度和零样本能力的提升。然而，随着现代城市网络变得日益庞大、密集且动态化，通过增加结构复杂性来追求精确度的做法暴露出了一个重大缺陷。对图操作的严格依赖，加之注意力机制和大型语言模型庞大的参数规模及高昂的计算成本，使得实验室测试结果与实际部署之间的差距不断扩大。这一部署瓶颈凸显出另一条同样重要的发展路径：亟需开发高度可扩展、轻量级的预测架构，以较低的计算资源实现相近的预测精度。

理论预测精度与实际部署能力之间存在差异的根本原因，在于交通流数据本身的结构复杂性。这种结构复杂性主要体现在两个方面：空间同质性与异质性的复杂共存，以及多尺度时间依赖关系的存在。如图1(a)所示，虽然地理位置相距较远，但位于居民区的节点S2和S3在早晚高峰期间的交通流量模式却极为相似，体现了强烈的空间同质性。相反，位于商业区的节点S1在早高峰时的流量更大且波动更剧烈，这反映了不同功能区域之间的空间异质性。这种同质性与异质性的复杂共存，给传统的时空建模带来了巨大挑战。基于图神经网络的主流方法本质上依赖于受地理拓扑约束的消息传递机制。虽然这些方法能够有效地模拟局部的异质性交互，但却难以捕捉长距离的空间同质性。若要连接地理位置遥远但功能相似的节点，要么需要堆叠多层结构，从而导致过度平滑，要么需要通过自适应矩阵学习或注意力机制构建密集的全连接自适应图，进而产生极高的计算成本。此外，如图1(b)所示，交通流量还表现出复杂的多尺度时空依赖关系。例如，节点S1的交通中断可能会迅速蔓延到相邻的节点S2和S3，最终波及更远的区域如S4。这种级联效应既包含了由即时区域间响应驱动的短期局部依赖关系，也包含了贯穿时空的长期全局依赖关系。因此，除了空间建模的局限外，有效捕捉多尺度时间依赖关系也是一个关键瓶颈。现有架构大多依赖固定的时间窗口或使用冗余的自我注意力矩阵来寻找全局时间相关性。然而，这些无引导、纯数据驱动的机制难以有效区分重叠的时间模式，从而导致接收范围受限或计算开销过高。因此，开发既能处理空间多样性，又能应对多尺度时空依赖关系，同时保持轻量级且易于部署的模型，对于实现准确的交通流量预测至关重要。

为解决这些难题，我们提出了一种无需图结构且高度可扩展的框架——时空多视图多层感知器网络（STMMN）。为从根本上解决同质性与异质性的复杂共存问题，同时避免图卷积和自我注意力操作带来的计算开销，我们的STMMN采用了自适应空间聚类多层感知器模块。该模块不沿预定义的边传递信息，而是利用端到端的软聚类机制，根据节点的潜在功能相似性而非地理邻近性进行动态分组。这种设计方式能够有效捕捉空间同质性并降低空间维度，同时学习空间异质性，从而规避传统基于图的方法的拓扑刚性以及基于自我注意力的方法的计算瓶颈。在多尺度时间依赖关系的建模方面，鉴于城市交通具有特定的时间周期性，我们认为时间建模不应依赖无引导且计算成本高昂的神经网络架构。为此，我们引入了基于交通流固有物理规律的时间多视图聚合模块。该模块将时间维度明确划分为三个并行且专门的提取分支，分别用于捕捉接近度、趋势和周期性。结合动态软门控机制，我们的架构能够自适应地加权并整合这些多元化的多尺度表示。这种“分而治之”的方法完全摒弃了过于复杂的神经网络架构，从而实现了稳健的多时段预测和出色的可扩展性。通过这一创新的架构设计，STMMN在模型表达能力、计算效率以及泛化能力之间取得了最佳平衡，能够在不同规模和结构复杂度的城市网络中实现稳定且可靠的预测性能。我们的主要贡献如下：
• 我们提出了一种可扩展且无需图结构的预测框架STMMN，这是一种用于时空交通流量预测的轻量级、无图结构的多层感知器模型。通过消除对显式图拓扑和复杂注意力映射的依赖，我们的模型直接解决了现代智能交通系统中部署效率与可扩展性方面的关键问题。
• 我们设计了一种能够同时建模异质性空间关联与多尺度时间动态的架构。具体而言，我们引入了自适应聚类网络来高效捕捉空间同质性，同时设计了动态多视图聚合模块，无需手动特征工程即可无缝融合接近度、趋势和周期性模式。
• 我们在多个真实世界数据集上进行了大量实验，验证了STMMN相较于现有优秀基线模型，具有更高的预测精度和更优的计算效率。实验结果凸显了其在交通流量预测及智能交通应用中的大规模部署潜力。

本文的其余部分安排如下：第2节回顾了有关交通流量预测的相关研究；第3节明确了交通流量预测的定义；第4节针对上述挑战详细介绍了我们的方法；第5节设计了多种实验，从多个角度评估我们的模型，包括消融实验、案例研究、效率分析以及参数研究；最后，第6节总结了我们的贡献并指出了未来的研究方向。

片段摘录
基于图的时空预测
准确可靠的交通流量预测是智能城市交通系统的核心，其目标是根据历史观测数据预测未来的交通状况。该领域的早期研究主要依赖于深度学习技术，利用卷积神经网络和循环神经网络分别捕捉空间和时间依赖关系。

给定包含N个节点的传感器集合V（|V|=N），传感器网络可以被定义为一种图结构G。在时间步t时，图信号包含d维的原始交通特征（如速度、流量），记为XG(t)∈RN×d。在传感器网络中，交通流量预测任务的目标是从历史T步的图信号中学习一个非线性函数f(·)，用以预测接下来的F步的图信号。其数学表达式如下：
[XG(t?T+1),?,XGt]→f(·)[XGt+1,?,X]

方法论
在本节中，我们将介绍如图2所示的STMMN框架。具体而言，STMMN由三个核心组成部分构成：1）嵌入层，它将原始的ST序列与专门的时间（日间与夜间）及节点嵌入相结合，从而生成具有丰富上下文的标记表示；2）时空多视图多层感知器层，它由空间聚类多层感知器模块和时间多视图聚合模块组成，其中空间聚类多层感知器模块采用了自适应……

实验
在本节中，我们在多个公共数据集上进行了大量实验，以回答以下研究问题：
• RQ1：我们提出的STMMN在交通流量预测方面的表现如何，与现有的最先进基线模型相比如何？
• RQ2：在我们的消融实验中，该模型与不同变体相比的表现如何？
• RQ3：该模型是否成功地在空间聚类多层感知器模块中学习了空间同质性？
• RQ4：重要的超参数（如层数）如何影响模型的性能？

结论与未来方向
在本文中，我们提出了STMMN，这是一种轻量级且高效的无需图结构的多层感知器模型，旨在满足智能交通系统中准确进行交通流量预测的迫切需求。传统方法主要依赖于时空图神经网络和注意力机制，但由于它们依赖于完整的交通网络结构或复杂的模型架构，往往面临较大的挑战，这限制了它们的可扩展性和效率。

CRediT作者贡献声明
Guangyin Jin：撰写——初稿、软件、方法论、研究、形式分析、数据整理、概念构思。Sicong Lai：撰写——初稿、可视化、验证、形式分析、数据整理。Xiaoshuai Hao：验证、研究、数据整理。Mingdao Zhang：可视化、验证、软件。Teng Zhou：撰写——审阅与编辑、监督。Jinlei Zhang：撰写——审阅与编辑、监督、项目管理。

利益冲突声明
作者声明他们没有已知的财务利益或可能影响本文工作的个人关系。
Guangyin Jin | Sicong Lai | Xiaoshuai Hao | Mingdao Zhang | Teng Zhou | Jinlei Zhang