论文
STHMoE：超图增强的异构依赖协调方法用于基于大语言模型的都市交通数据预测
STHMoE: Hypergraph-Enhanced Heterogeneous Dependency Coordination for LLM-Based Urban Traffic Data Forecasting
摘要
时空交通预测是智能交通系统中的基础大数据分析任务，其中大规模城市传感器流表现出异构、非平稳且结构动态的特性。尽管近期深度学习和大语言模型（LLM）方法在交通预测方面取得进展，但多数方法仍以时间为中心，缺乏在交通状态演变过程中对时间、频谱、成对空间及高阶结构线索的有效协调。为解决异构依赖协调问题，我们提出STHMoE，一种基于超图增强的专家混合框架，用于城市交通数据预测。STHMoE将交通动态解耦为频域、时域、空间域及高阶空间表示，通过基于部分冻结LLM主干的提示引导异构专家建模。前三类专家利用领域特定的统计提示，而高阶空间专家采用结构占位提示，并通过自适应超图模块获取依赖信息。为捕捉交通数据中演化的空间结构，STHMoE联合学习一阶图依赖关系和高阶群体交互，无需预先定义拓扑结构。采用熵感知的MoE路由模块，结合变异系数负载均衡，自适应融合专家输出，提升专家利用率和路由置信度。在10个真实世界交通基准数据集上的实验表明，STHMoE在性能上可与基于时间、时空图和大语言模型的基线方法相媲美。
