Глубокое обучение позволяет моделям прогнозирования трафика интегрировать различные вспомогательные источники данных (например, информацию о погоде и времени), что повышает точность прогнозирования. Существующие методы часто ограничены в универсальности и масштабируемости, а также в этой области отсутствует единая базовая тестовая платформа для справедливого сравнительного анализа моделей. Этот пробел мешает согласованной оценке производительности, замедляет разработку устойчивых и адаптивных моделей, и усложняет количественную оценку дополнительной пользы различных вспомогательных источников данных. Для решения этих проблем мы предлагаем MltAuxTSPP — единый базовый фреймворк глубокого обучения для прогнозирования трафика с использованием мультиисточниковых вспомогательных данных. Фреймворк оснащен стандартизированными контейнерами данных и модулями интегрированных эмбеддингов, что обеспечивает унифицированную обработку гетерогенных данных и повышает масштабируемость. Его унифицированные скрытые представления могут быть бесшовно использованы различными последующими моделями, обеспечивая справедливое и воспроизводимое сравнение при одинаковых условиях. Широкие эксперименты на реальных наборах данных показывают, что MltAuxTSPP эффективно использует метеорологические и временные характеристики для улучшения долгосрочного прогноза, предоставляя практичную и воспроизводимую базу для продвижения исследований по прогнозированию состояния трафика.

прогнозирование трафика;базовая платформа;глубокое обучение;мультиисточниковые вспомогательные данные