摘要

准确的交通流量预测面临诸多挑战，亟需深入理解时间与空间特征及其在多变量之间的复杂交互关系。近年来，交通预测系统的主要进展得益于复杂序列中心化模型的发展。然而，现有方法通常在每个时间步嵌入多个变量及空间关系，这可能阻碍变量中心化学习的有效进行，最终导致传统交通预测任务性能下降。为克服上述局限，本文提出了一种面向变量中心化与先验知识中心化的建模方法。具体而言，我们提出了一个异构专家混合模型（Heterogeneous Mixture of Experts, TITAN），用于交通流预测。TITAN 初始包含三个专注于序列中心化建模的专家，随后设计了一种低秩自适应机制，使模型能够同时实现变量中心化建模。此外，我们采用先验知识中心化的门控策略对门控过程进行监督，以确保变量路由的准确性。在两个公开交通网络数据集 METR-LA 和 PEMS-BAY 上的实验表明，TITAN 能够有效捕捉变量中心化依赖关系，同时保障精确的路由决策。相较于此前的最先进（SOTA）模型，TITAN 在所有评估指标上均取得显著提升，性能提升幅度介于约 4.37% 至 11.53% 之间。代码已开源，地址为：https://github.com/sqlcow/TITAN。