MCST-Mamba: Multivariate Mamba-Based Model for Traffic Prediction

📄 arXiv: 2507.03927v1 📥 PDF

作者: Mohamed Hamad, Mohamed Mabrok, Nizar Zorba

分类: cs.LG

发布日期: 2025-07-05

备注: Submitted to the Communications Software and Multimedia track of the 2025 IEEE Global Communications Conference

💡 一句话要点

提出基于Mamba的MCST-Mamba模型，用于多变量交通预测，提升预测精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 交通预测 多变量时间序列 Mamba模型 状态空间模型 时空建模 智能交通系统

📋 核心要点

  1. 现有交通预测方法难以有效捕捉多个交通变量之间的复杂关联，限制了预测精度。
  2. MCST-Mamba模型利用Mamba架构原生处理多变量输入，并分离时空建模，提升表征学习能力。
  3. 实验表明，MCST-Mamba在多变量交通预测任务中表现出色，参数量更少，预测性能更强。

📝 摘要（中文）

精确的交通预测在智能交通系统中至关重要，它能够实现高效的路线规划、缓解拥堵和主动交通控制。然而，由于动态路况、不同地点的交通模式变化以及天气和事故等外部因素的综合影响，交通预测极具挑战性。交通数据通常包含多个相互关联的测量值，如速度、流量和占用率，但许多深度学习方法要么只预测其中一个变量，要么需要为每个变量建立单独的模型，这限制了它们捕捉跨通道联合模式的能力。为了解决这个问题，我们引入了多通道时空（MCST）Mamba模型，这是一个基于Mamba选择性状态空间架构的预测框架，它能够原生处理多变量输入并同时建模所有交通特征。所提出的MCST-Mamba模型集成了自适应时空嵌入，并将时间序列建模和空间传感器交互建模分离到两个专用的Mamba块中，从而改进了表征学习。与之前在单个通道上评估的方法不同，我们同时评估MCST-Mamba在所有交通特征上的性能，这更符合实际中拥堵的产生方式。结果表明，与基线模型相比，MCST-Mamba以更少的参数实现了强大的预测性能。

🔬 方法详解

问题定义：论文旨在解决多变量交通预测问题。现有方法通常独立预测每个交通变量（如速度、流量、占用率），忽略了它们之间的相互依赖关系，导致预测精度受限。此外，现有深度学习模型难以同时有效地建模交通数据中的时空依赖性。

核心思路：论文的核心思路是利用Mamba选择性状态空间模型（Selective State Space Model, S6）的优势，构建一个能够原生处理多变量输入并同时建模所有交通特征的时空预测框架。通过将时间序列建模和空间传感器交互建模分离到两个专用的Mamba块中，可以更有效地学习交通数据的时空表征。

技术框架：MCST-Mamba模型的整体架构包含以下几个主要模块：1) 输入嵌入层：将多变量交通数据嵌入到高维空间中。2) 自适应时空嵌入模块：学习交通数据的时空特征表示。3) 时间Mamba块：利用Mamba模型建模时间序列依赖关系。4) 空间Mamba块：利用Mamba模型建模空间传感器之间的交互关系。5) 输出层：将学习到的表征映射到预测结果。

关键创新：该论文的关键创新在于：1) 多变量建模：MCST-Mamba模型能够同时处理多个交通变量，捕捉它们之间的联合模式。2) 分离的时空建模：通过两个专用的Mamba块分别建模时间和空间依赖关系，提高了表征学习的效率。3) 基于Mamba的架构：利用Mamba模型的选择性状态空间机制，能够更有效地处理长序列交通数据。与现有方法的本质区别在于，MCST-Mamba模型不再需要为每个交通变量单独训练模型，而是通过一个统一的框架同时预测所有变量。

关键设计：论文中一些关键的设计包括：1) 自适应时空嵌入：使用可学习的嵌入向量来表示时间和空间信息，使模型能够自适应地学习不同时间和空间位置的特征。2) Mamba块的配置：时间Mamba块和空间Mamba块的具体层数、隐藏单元数等参数需要根据具体数据集进行调整。3) 损失函数：可以使用均方误差（MSE）或平均绝对误差（MAE）等损失函数来衡量预测结果与真实值之间的差距。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，MCST-Mamba模型在多变量交通预测任务中取得了显著的性能提升。与基线模型相比，MCST-Mamba在预测精度方面有明显优势，同时参数量更少，计算效率更高。具体性能数据（如RMSE、MAE等）和对比基线的名称在论文中给出，表明MCST-Mamba是一种有竞争力的交通预测模型。

🎯 应用场景

MCST-Mamba模型可应用于智能交通系统中的多个领域，例如：实时交通预测、交通拥堵预警、智能路线规划、交通信号优化等。通过准确预测未来的交通状况，可以帮助交通管理者更好地控制交通流量，减少拥堵，提高道路利用率，并为出行者提供更便捷的出行体验。该研究的成果有助于构建更智能、更高效的城市交通网络。

📄 摘要（原文）

Accurate traffic prediction plays a vital role in intelligent transportation systems by enabling efficient routing, congestion mitigation, and proactive traffic control. However, forecasting is challenging due to the combined effects of dynamic road conditions, varying traffic patterns across different locations, and external influences such as weather and accidents. Traffic data often consists of several interrelated measurements - such as speed, flow and occupancy - yet many deep-learning approaches either predict only one of these variables or require a separate model for each. This limits their ability to capture joint patterns across channels. To address this, we introduce the Multi-Channel Spatio-Temporal (MCST) Mamba model, a forecasting framework built on the Mamba selective state-space architecture that natively handles multivariate inputs and simultaneously models all traffic features. The proposed MCST-Mamba model integrates adaptive spatio-temporal embeddings and separates the modeling of temporal sequences and spatial sensor interactions into two dedicated Mamba blocks, improving representation learning. Unlike prior methods that evaluate on a single channel, we assess MCST-Mamba across all traffic features at once, aligning more closely with how congestion arises in practice. Our results show that MCST-Mamba achieves strong predictive performance with a lower parameter count compared to baseline models.