我所一篇时空数据预测的工作被国顶级会议KDD 2026录用

发布时间：2025年11月25日

      由我所师生合作完成的论文 “RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting” 已成功被国际顶级学术会议 KDD 2026 录用。论文主要由我所博士生吕皓辰、已毕业博士林彦（现为奥尔堡大学博后）合作完成，博士生毛潇苇、贡乐天和本科生聂红参与研究工作，并由郭晟楠、林友芳、万怀宇三位老师指导完成。

      交通流预测在智能交通系统中具有重要意义，但现有的概率交通预测方法在解释预测背后的物理机制以及准确建模不确定性方面仍存在明显局限。一方面，复杂路网中的交通状态受隐含的道路阻抗影响，不同道路的时空演化特性对未来交通分布具有关键作用，但传统模型难以刻画这一影响；另一方面，不确定性的时空相关结构难以直接从原始流量数据中高效建模，导致协方差估计维度高、计算成本大、解释性不足。针对这些挑战，本研究提出RIPCN，一个融合交通领域知识先验与主成分建模的统一概率预测框架。首先，在道路阻抗建模方面，提出可动态演化的道路阻抗结构，用以表征不同道路在时空上的拥堵趋势、流动性以及对未来交通变化的不确定性贡献，从而解释随机性来源；其次，在时空相关性学习方面，基于主成分分析构建时空协方差主成分预测模块，能够在降维后的特征空间中高效捕获不确定性的时空耦合模式，并显著降低协方差建模的维度与计算开销；最后，RIPCN 实现了模型的可解释性，并在点预测精度、不确定性估计质量以及计算效率方面取得了提升。