El aprendizaje profundo permite que los modelos de predicción del tráfico integren múltiples fuentes de datos auxiliares (como información meteorológica y temporal), mejorando así la precisión de la predicción. Los métodos existentes a menudo tienen limitaciones en cuanto a generalidad y escalabilidad, y este campo carece de un marco de referencia unificado para realizar comparaciones justas entre modelos. Esta carencia dificulta la coherencia en la evaluación del rendimiento, retrasa el desarrollo de modelos robustos y adaptativos, y complica la cuantificación de los beneficios incrementales de diferentes fuentes de datos auxiliares. Para abordar estos problemas, proponemos MltAuxTSPP: un marco de referencia unificado de aprendizaje profundo para la predicción del tráfico que integra datos auxiliares multi-fuente. Este marco cuenta con contenedores de datos estandarizados y módulos de embeddings fusionados, que permiten el procesamiento unificado de datos heterogéneos y mejoran la escalabilidad. Las representaciones ocultas unificadas que genera pueden ser utilizadas sin problemas por diversos modelos descendentes, asegurando comparaciones justas y reproducibles en las mismas condiciones. Los experimentos extensos basados en conjuntos de datos reales demuestran que MltAuxTSPP puede utilizar eficazmente las características meteorológicas y temporales para mejorar el rendimiento de la predicción a largo plazo, proporcionando una base práctica y reproducible para avanzar en la investigación de la predicción del estado del tráfico.

predicción del tráfico;plataforma de referencia;aprendizaje profundo;datos auxiliares multi-fuente