Deep Learning ermöglicht es Verkehrsprognosemodellen, verschiedene Hilfsdatenquellen (wie Wetter- und Zeitinformationen) zu integrieren und dadurch die Prognosegenauigkeit zu verbessern. Bestehende Methoden weisen oft Einschränkungen in Bezug auf Allgemeingültigkeit und Skalierbarkeit auf, und es fehlt ein einheitlicher Benchmark-Rahmen, um faire Modellvergleiche zu ermöglichen. Dieses Defizit behindert die Konsistenz der Leistungsevaluierung, verzögert die Entwicklung robuster und anpassungsfähiger Modelle und erschwert die Quantifizierung des inkrementellen Nutzens verschiedener Hilfsdatenquellen. Zur Lösung dieser Probleme schlagen wir MltAuxTSPP vor – einen einheitlichen Benchmark-Rahmen für Deep Learning bei der Verkehrsprognose, der multi-quelle Hilfsdaten integriert. Dieser Rahmen verfügt über standardisierte Datencontainer und integrierte Embedding-Module, die eine einheitliche Verarbeitung heterogener Daten ermöglichen und die Skalierbarkeit verbessern. Die erzeugten einheitlichen latenten Repräsentationen können nahtlos von verschiedenen nachgelagerten Modellen verwendet werden, was faire und reproduzierbare Vergleiche unter gleichen Bedingungen sicherstellt. Umfangreiche Experimente mit realen Datensätzen zeigen, dass MltAuxTSPP Wetter- und Zeitmerkmale effektiv nutzt, um die langfristige Vorhersageleistung zu verbessern, und bietet damit eine praktische und reproduzierbare Grundlage zur Förderung der Forschung zur Verkehrsstatusvorhersage.

Verkehrsprognose;Benchmark-Plattform;Deep Learning;multi-quellen Hilfsdaten