MTNet: A Multi-Task Learning Framework That Integrates Intra-Task and Task-Specific Dependencies for Traffic Forecasting

Shaokun Zhang

doi:10.1109/TKDE.2025.3638147

MTNet: A Multi-Task Learning Framework That Integrates Intra-Task and Task-Specific Dependencies for Traffic Forecasting

2025-11-27

0

PRE

AI

DOI：10.1109/TKDE.2025.3638147

原文链接

原文求助

摘要

En 中文

交通预测对于现代交通系统至关重要，能够提升交通管理和城市规划水平。准确预测交通流量和速度对于理解道路使用情况、缓解拥堵、提供实时交通监控和动态路线引导至关重要，从而改善道路安全和基础设施效率。传统研究通常独立预测交通流量或速度，导致因需要单独模型而资源消耗较高。鲜有研究探索两种指标的同时预测，近期尝试未能考虑空间相关性，导致性能欠佳。为解决这些挑战，我们提出了MTNet，一种用于联合交通流量和速度预测的多任务学习框架。MTNet采用类似Transformer的编码器-解码器架构来处理和增强特征表示，捕捉复杂的时空相关性。具体而言，MTNet通过跨任务交互模块提取任务内依赖关系，并使用具有级联残差结构的时空感知模块来建模任务特定的时空依赖关系。此外，集成了时空位置编码以增强对长期和长距离依赖关系的感知。在曼彻斯特、PeMSD4和PeMSD8三个多样化的交通数据集上的广泛实验表明，MTNet在交通流量和速度预测方面显著优于当前最优方法。MTNet在预测精度和效率上实现了显著提升，在性能和计算资源使用之间取得了最佳平衡。

Keyword:

Traffic forecasting

multi-task learning

spatio-temporal

attention mechanism

MTNet: A Multi-Task Learning Framework That Integrates Intra-Task and Task-Specific Dependencies for Traffic Forecasting

摘要

期刊

机构

引用论文