少即是多：在交通预测中，战略专家选择优于集合复杂性

arXiv:2510.07426v1 公告类型：新 摘要：交通预测是智能交通系统的基础，可以在日益复杂的城市环境中缓解拥堵和减少排放。虽然最近的图神经网络方法具有先进的时空建模，但现有的专家混合框架（例如时间增强型时空注意力模型（TESTAM））缺乏对物理道路网络拓扑的明确结合，从而限制了其空间能力。我们提出了 TESTAM+，这是一种增强的时空预测框架，它引入了一种新颖的 SpatioSemantic Expert，通过混合图构建将物理道路拓扑与数据驱动的特征相似性相结合。 TESTAM+ 比 TESTAM 取得了显着改进：METR LA 的 MAE 降低了 1.3%（3.10 比 3.14），PEMS BAY 的 MAE 提高了 4.1%（1.65 比 1.72）。通过全面的消融研究，我们发现战略专家选择从根本上优于朴素的集成聚合。个别专家表现出了显着的有效性：自适应专家在 PEMS BAY 上实现了 1.63 MAE，优于原来的三个专家 TESTAM（1.72 MAE），而 SpatioSemantic Expert 也以相同的 1.63 MAE 与此性能相匹配。与 METR LA 上最先进的 MegaCRN（2.99 比 3.38）相比，最佳 Identity + Adaptive 配置实现了 11.5% 的 MAE 减少，同时与完整的四专家 TESTAM+ 相比，推理延迟减少了 53.1%。我们的研究结果表明，较少的、经过战略设计的专家的性能优于复杂的多专家集合，从而建立了新的最先进的性能，具有卓越的实时部署计算效率。