O aprendizado profundo permite que modelos de previsão de tráfego integrem múltiplas fontes de dados auxiliares (como informações meteorológicas e temporais), aumentando assim a precisão da previsão. Os métodos existentes frequentemente apresentam limitações em termos de generalidade e escalabilidade, e este campo carece de uma estrutura de benchmark unificada para comparações justas entre modelos. Essa deficiência dificulta a consistência na avaliação de desempenho, atrasa o desenvolvimento de modelos robustos e adaptáveis, e torna difícil quantificar os benefícios incrementais das diferentes fontes de dados auxiliares. Para enfrentar esses problemas, propomos o MltAuxTSPP — uma estrutura unificada de aprendizado profundo para previsão de tráfego que integra dados auxiliares multi-fonte. Essa estrutura possui contêineres de dados padronizados e módulos de embeddings fusos, permitindo o processamento unificado de dados heterogêneos e melhorando a escalabilidade. As representações latentes unificadas geradas podem ser utilizadas de forma fluida por diversos modelos downstream, garantindo comparações justas e reproduzíveis sob as mesmas condições. Experimentos extensivos baseados em conjuntos de dados reais mostram que o MltAuxTSPP pode utilizar efetivamente características meteorológicas e temporais para melhorar o desempenho da previsão a longo prazo, fornecendo uma base prática e reproduzível para avançar a pesquisa em previsão do estado do tráfego.

previsão de tráfego;plataforma de benchmark;aprendizado profundo;dados auxiliares multi-fonte