Deformable Dynamic Convolution用于准确且高效的时空交通预测

于红博

摘要: 交通预测是智能交通系统的关键组成部分，可以实现拥堵缓解和事故风险预测等应用。尽管最近的研究探讨了基于图形和基于网格的方法，但仍存在关键限制。基于图形的方法有效地捕捉了非欧几里得空间结构，但往往产生高计算开销，限制了它们在大规模系统中的实用性。相比之下，主要利用卷积神经网络（CNNs）的基于网格的方法提供了更高的计算效率，但由于其滤波器的固定形状，很难模拟不规则的空间模式。此外，这两种方法往往无法考虑固有的时空异质性，因为它们通常在不同区域和时间段之间应用一组共享的参数。为了解决这些挑战，我们提出了Deformable Dynamic Convolutional Network（DDCN），这是一种集成了可变形和动态卷积操作的新型基于CNN的架构。可变形层引入了可学习的偏移量，以创建更灵活的感知域，更好地与空间的不规则性对齐，而动态层生成区域特定的滤波器，使模型能够适应不同的时空交通模式。通过结合这两个组件，DDCN有效地捕捉了非欧几里得空间结构和时空异质性。对四个真实世界的交通数据集进行的大量实验表明，DDCN在显著减少计算成本的同时实现了具有竞争力的预测性能，突显了其在大规模和实时部署方面的潜力。

更新时间: 2025-09-19 16:33:33

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2507.11550v2