Resumen:La previsión del tráfico es fundamental para los sistemas de transporte inteligentes, ya que permite mitigar la congestión y reducir las emisiones en entornos urbanos cada vez más complejos. Si bien los enfoques recientes de redes neuronales gráficas han avanzado en el modelado espacial-temporal, la combinación existente de marcos expertos como el Modelo de Atención Temporal Espacio Mejorado en el Tiempo (TESTAM) carece de una incorporación explícita de la topología de la red de carreteras físicas, lo que limita sus capacidades espaciales. Presentamos TESTAM+, un marco de pronóstico espacio-temporal mejorado que presenta un novedoso SpatioSemantic Expert que integra la topología física de la carretera con similitud de características basada en datos a través de la construcción de gráficos híbridos. TESTAM+ logra mejoras significativas sobre TESTAM: reducción del 1,3% en MAE en METR LA (3,10 vs. 3,14) y mejora del 4,1% en PEMS BAY (1,65 vs. 1,72). A través de estudios exhaustivos de ablación, descubrimos que la selección estratégica de expertos supera fundamentalmente a la agregación ingenua de conjuntos. Los expertos individuales demuestran una efectividad notable: Adaptive Expert logra 1,63 MAE en PEMS BAY, superando a los tres expertos originales TESTAM (1,72 MAE), mientras que SpatioSemantic Expert iguala este rendimiento con 1,63 MAE idénticos. La configuración óptima Identity + Adaptive logra una reducción de MAE del 11,5 % en comparación con MegaCRN de última generación en METR LA (2,99 frente a 3,38), al tiempo que reduce la latencia de inferencia en un 53,1 % en comparación con los cuatro expertos completos TESTAM+. Nuestros hallazgos revelan que un menor número de expertos diseñados estratégicamente superan a los conjuntos complejos de múltiples expertos, estableciendo un nuevo rendimiento de vanguardia con una eficiencia computacional superior para la implementación en tiempo real.
Publicado originalmente en export.arxiv.org el 9 de octubre de 2025.
Ver fuente original
