IJCAI 2026 | BIGSCITY實驗室大規模交通預測工作獲錄用

來源：BIGSCITY

原文鏈接：https://mp.weixin.qq.com/s/XKRxDtCWZ87vkzOIPhonbg

會議介紹

論文介紹

HieraMix：面向大規模交通預測的層次化 MLP-Mixer 模型

HieraMix: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting

作者：碩士生王永瑤，博士生于勰，王靜遠教授，寄家豪博士，李超副教授

概述：交通預測是智能交通系統中的基礎任務，對城市治理與出行優化具有重要意義。隨著城市感知網絡規模的快速擴張，面向真實路網的大規模交通預測正成為該領域的核心議題。然而，現有方法在大規模場景下面臨兩大瓶頸：一方面，基于圖神經網絡（GNN）和 Transformer 的主流模型雖具備較強的時空建模能力，但其平方級計算復雜度使其在節點規模成倍擴展時面臨難以承受的時間與顯存開銷。另一方面，近期興起的 MLP-Mixer 類線性模型雖具備良好的可擴展性，但其對所有樣本進行無差別的全局特征混合，在大規模數據中會將關鍵依賴淹沒于海量無關噪聲之中，難以精準刻畫真正起主導作用的時空模式。

時空數據天然具備的層次結構。在不同數據分辨率下，時空數據呈現出截然不同的主導模式：微觀層面以鄰近相似性為主，宏觀層面則受周期、趨勢與區域語義驅動。基于這一洞見，本文提出 HieraMix——一種全 MLP 架構的層次化時空Mixer模型。HieraMix 的核心是時空混合模塊（Spatiotemporal Mixing Block），通過自底向上的特征聚合構建多分辨率特征金字塔，并通過自頂向下的傳播機制實現跨尺度特征融合，使模型在不同時空粒度上分別捕捉局部相似性、宏觀趨勢與區域級語義關聯，從而抑制大規模數據中的噪聲干擾。此外，本文進一步設計了自適應區域混合器（Adaptive Region Mixer），基于區域語義動態生成變換矩陣，并引入參數正交正則項以增強區域間的語義區分度，實現區域級時空模式建模。在 LargeST 基準的四個大規模數據集上的大量實驗表明，HieraMix性能優于先進基線模型，同時保持與線性模型相當的訓練與推理效率。

Wang Y, Yu X, Wang J, et al.HieraMix: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting. In Proceedings of 35th International Joint Conference on Artificial Intelligence, 2026. (accepted)