时序路由Transformer

交通流预测新SOTA

通过路由机制显式捕捉传感器间的序列依赖，在七个真实数据集上全面超越现有方法。

Jun, Qi · 樊红

Neurocomputing 2025

技术优势

跨维度依赖捕获准

显式捕捉传感器间的序列依赖，不再用合并时空依赖的间接方式。

时空依赖解耦

Temporal Routing 和 Spatial Routing 各管一路，多尺度时间依赖由 Context-Aware 单独处理。

7个数据集全面SOTA

在七个真实数据集上全面超越现有方法，不是单个数据集上的偶然。

应用场景

• 交通流量预测：用精准的跨传感器依赖预测流量，直接用于路网级调控。
• 城市计算：把城市交通数据建模成时空依赖，为城市计算提供可靠预测层。
• 智能交通系统：给ITS提供更准的流量预测，支撑信号控制与路径诱导。