MCST-曼巴-基于多变量曼巴的交通预测模型-计算机科学-机器学习-交通预测.pdfVIP

MCST-曼巴：基于多变量曼巴的交通预测

模型

MohamedHamadMohamedMabrok

DepartmentofElectricalEngineering,DepartmentofMathematicsandPhysics,

CollegeofEngineeringCollegeofArtsandSciences

QatarUniversityQatarUniversity

Doha,QatarDoha,Qatar

m.bashir.hamad@.qam.a.mabrok@.qa

NizarZorba

本DepartmentofElectricalEngineering,

译CollegeofEngineering

中QatarUniversity

Doha,Qatar

1

vnizarz@.qa

7

2

9

3摘要—准确的交通预测在智能运输系统中扮演着重要角色，部因素——如特殊事件、事故和天气——这些因素很难

0.通过实现高效路线规划、缓解拥堵和主动交通控制。然而，由于明确建模[2]。其次，现代传感器网络涉及数百或数千

7动态道路状况、不同地点间变化的交通模式以及天气和事故等外

0个检测器，其交互受复杂道路布局的支配[3]，其中空

5部影响的综合效应，预报变得极具挑战性。交通数据通常包括多间相邻的传感器可能会表现出很大的不同，使得推断连

2个相互关联的测量指标——如速度、流量和占有率——但许多深

:通性变得困难。第三，典型的传感器网络中的交通数据

v度学习方法要么仅预测其中一个变量，要么需要为每个变量建

i立单独的模型。这限制了它们捕捉多通道间联合模式的能力。为往往是多通道的（速度、占有率、密度等），而交通拥

x

r此，我们引入了多通道时空（MCST）Mamba模型，这是一个堵是这些交通网络特征之间复杂关系的结果。

a

基于Mamba选择性状态空间架构的预报框架，能够原生处理最近的深度学习方法使用了不同的学习方法来推

多元输入并同时建模所有交通特征。所提出的MCST-Mamba

进[4][5]的前沿。然而，许多流行的架构即使在有多变

模型集成了自适应时空嵌入，并将时间序列建模和空间传感器交

互建模分离到两个专用的Mamba块中，提升了表示学习效果。量测量的情况下，也仅预测每个传感器的一个单一变量

与以往仅在一个通道上评估的方法不同，我们在所有交通特征上（通常是速度）[6]。当包含额外通道时，它们通常需要

同时对MCST-Mamba进行评估，这更贴近实际拥堵情况的发为每个通道训练单独的一元模型——要么并行进行（增

生方式。结果显示，相比基线模型，MCST-Mamba在参数数加参数数量和计算量），要么顺序进行（增加总训练时

量较少的情况下实现了强大的预测性能。间）——这限制了它们在一个统一框架中学习跨通道依

I.介绍赖关系的能力。

准确的交通预测对于智能交通运输系统(ITS)至关最近，引入了Mamba架构[7]，这是一种用于高

重要，因为它能够实现主动的交通管理、提高道路安全效序列建模的选择性状态空间模型（SSM）。Mamba能

并通过更好的路线规划和资源分配来减少拥堵[