.png){kind=icon}
返回
Breaking multilayer perceptron limitations for traffic flow forecasting with structured patch learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114339.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Transformer神经网络和多层感知器（MLP）架构是多元时空序列建模中的两种主导范式。尽管Transformer擅长捕捉复杂依赖关系，但其注意力机制产生高昂的计算成本，限制了实际部署。MLP方法结构简单且推理高效，但现有方法通常依赖扁平化建模过程，难以捕捉交通数据中的分层时序模式。此外，空间和时间组件之间缺乏结构解耦往往导致表示纠缠，降低整体建模效果。为解决这些挑战，我们提出了一种结构化的纯MLP模型，即结构化补丁多层感知器（SPMLP），用于交通流量预测。该模型采用具有重叠滑动窗口的时序补丁多层感知器，从局部到全局尺度提取分层时序特征，并使用图结构多层感知器捕获预定义空间图上的节点依赖关系。一种轻量级线性融合将空间和时间表示整合为统一的时空上下文。在标准交通流量基准上的大量实验表明，SPMLP在预测精度和计算效率方面均优于强基线方法，突显了结构化多层感知器架构在智能交通系统中实时交通预测的实用性。
Keyword:
Structured Patch Learning
Multilayer Perceptron
Traffic Flow Forecasting
Spatiotemporal Modeling
Graph-Structured MLP
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
暂无机构信息
引用论文
Driving with knowledge from the physical world.png)
Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏分享收藏分享收藏分享收藏A traffic flow prediction method based on constrained dynamic graph convolutional recurrent networks一种基于约束动态图卷积循环网络的交通流量预测方法
PREAI
分享收藏Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural NetworksProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏ASTTN: An Adaptive Spatial-Temporal Transformer Network for traffic flow predictionASTTN：一种用于交通流量预测的自适应时空Transformer网络
PREAI
分享收藏Adaptive Memory Broad Learning System for Unsupervised Time Series Anomaly Detection用于无监督时间序列异常检测的自适应记忆广义学习系统
PREAI
分享收藏Transformer network with decoupled spatial-temporal embedding for traffic flow forecasting解耦时空嵌入的变压器网络交通流预测APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容