最近这段时间，我比较集中的精力都放在交通流量预测这个方向上。
一开始看这条线的时候，很容易有一种错觉：好像大家都在不停换新模型名，今天 GNN，明天 Transformer，后天再加几个注意力模块，论文就又多了一批。
但看多了以后会发现，这个方向其实有一条挺清楚的主线：大家一直在想办法更好地刻画时空依赖，并且让模型更贴近真实交通系统的复杂性。
这篇不打算写成严格综述，更像是我现阶段的理解整理。对我自己来说，写下来比单纯把论文名字记在脑子里更有用。
1. 这个问题到底难在哪
交通流量预测表面上看只是时间序列预测，但真做起来，麻烦比普通单变量序列多得多。
主要难在几个地方：
- 空间相关性：一个路段不独立，周边路网会传导影响；
- 时间依赖性：短期波动、周期规律、节假日效应会叠在一起；
- 动态变化：早晚高峰、事故、天气、施工，都会让分布发生偏移；
- 数据不完美：传感器缺失、噪声、节点宕机，这些在真实场景里非常常见。
所以这个方向不是简单把“预测未来 12 个点”做出来就行，更关键的是：
你对真实交通系统的不确定性，考虑得够不够。
2. 早期方法：先把时序建起来
比较早期的工作，很多还是统计学习和传统机器学习路线，比如：
- ARIMA
- SVR
- 历史平均法
这些方法的优点是解释性强、实现简单，但对复杂时空关系的表达能力明显不够。尤其当路网规模一大、交通状态变化更复杂时，效果就比较吃力了。
但我觉得这些方法也不是完全过时。它们有两个价值：
- 让你更清楚问题的基本结构；
- 作为 baseline 时，能提醒你别把一个本来就不难的问题包装得太玄。
3. 深度学习阶段：先解决“时间”，再补“空间”
后来比较自然的一步，就是把 RNN、LSTM 这些序列模型引进来。
这一阶段的核心贡献，是让模型更好地去拟合长短期时间依赖。
但很快大家就发现，仅仅把每个监测点当成一条独立序列来建模，还是不够。因为交通不是孤立的点，而是有路网拓扑关系的系统。
于是后面就进入了一个非常关键的阶段：
4. GNN 时代：把路网结构显式建模
这一阶段基本奠定了后续很多工作的框架。
比较典型的思路，就是把传感器或路段看成图上的节点，然后：
- 用图卷积或图传播建模空间依赖；
- 用时序模块建模时间变化；
- 再把两者结合起来做预测。
这类工作为什么影响大？
因为它第一次比较系统地把“空间关系”这件事纳入到了模型主干里，而不是只靠人工特征去补。
我自己看这类工作时，会特别关注两点：
（1）图是怎么构造的
- 按物理距离构图？
- 按道路连接关系构图？
- 按数据相关性动态构图？
不同构图方式对应的是不同假设。
（2）时间和空间是怎么融合的
有些是先时序后空间，有些是交替堆叠，有些是并行建模。这个地方其实很能体现一个模型到底是在“拼模块”，还是对问题真的有理解。
5. Attention / Transformer 进来以后，重点变成了“长距离依赖”和“全局关系”
GNN 路线跑起来以后，后面的一个明显趋势就是 attention 机制越来越多。
这也不难理解。因为交通系统里确实存在一些：
- 远距离但强关联的点；
- 不固定的动态依赖；
- 不同时间尺度上的全局模式。
Transformer 类方法在这里的吸引力很大，原因主要有两个：
- 更擅长建模长程依赖；
- 不需要像 RNN 那样顺序递推，训练并行性更好。
但我自己的感受是，这一类方法也带来一个很常见的问题：
模型越来越大，结构越来越复杂，但不一定更贴近真实部署场景。
尤其交通预测这个方向，很多时候不只是拼一个 leaderboard 数字，还要考虑推理效率、显存占用、部署成本。这个问题往后会越来越重要。
6. 这两年我觉得真正值得重视的方向，不只是“效果更高”，而是“问题更真”
如果让我说这几年我最感兴趣的一条变化，那不是单纯谁又把 MAE 压低了一点，而是很多工作开始更认真地面对真实世界的数据问题。
比如：
1. 缺失值与异常值
真实传感器数据经常有：
- 随机缺失
- 连续缺失
- 噪声污染
- 采集异常
如果模型只在非常干净的数据上表现好，那它的实用价值其实有限。
2. 鲁棒性
这也是我自己现在比较关心的点。
交通流量预测不是“静态 benchmark 游戏”。传感器长时间宕机、局部区域观测失真、不同扰动同时出现，这些情况在现实中太正常了。
所以我越来越觉得，一个模型值不值得做，不只是看正常测试集表现，还要看：
- 噪声下稳不稳；
- 缺失下崩不崩；
- 参数量是不是太夸张；
- 是否真的有推广价值。
这也是为什么我现在看论文时，会特别在意是否有系统的鲁棒性评测，而不是只放一个标准测试集结果就结束。
3. 泛化能力
同一个模型在 PeMS04、PeMS07、PeMS08 上好，不代表换一个城市、换一个采样条件还能好。
如何提升跨区域、跨分布、跨采样条件的泛化能力，我觉得后面会一直是重点。
7. 另一个很容易被忽视的问题：评价方式本身
做交通流量预测，大家最熟悉的指标通常就是 MAE、RMSE、MAPE 这些。
这些指标当然重要，但有时候也会掩盖一些问题。
比如：
- 平均指标看着不错，但高峰时段预测很差；
- 模型在大多数节点上正常，但在关键节点崩得厉害；
- 模型只在某类数据分布下有效。
所以我现在会更关注一个问题：
这个模型到底在哪些场景下强，在哪些场景下弱？
如果只盯着平均分数，很容易忽略真正值得优化的地方。
8. 我自己目前更认同的一条研究思路
如果只说我个人偏好，我现在更认可下面这种路线：
- 主干结构尽量别太臃肿；
- 时空依赖建模要明确，不要纯堆模块；
- 对噪声、缺失、节点异常要有明确考虑；
- 评测不能只看单一干净场景；
- 最终最好还能兼顾参数量、速度和显存。
说白了，就是我不太想把交通流量预测做成“谁把结构堆得更复杂”的比赛，而更想做成：
在真实扰动条件下，模型还能不能稳稳地给出可用预测。
9. 对刚入门这个方向的同学，我的建议
如果你刚开始看交通流量预测，我很建议按下面顺序走：
第一步：先搞清楚问题定义和数据集
别一上来就看模型细节。
第二步：从经典模型一路往后看
这样你会知道每一代方法到底在解决什么痛点。
第三步：自己动手复现几个代表模型
不复现，很容易停留在“看懂摘要”的阶段。
第四步：找到你真正想解决的问题
是长程依赖？是动态图？是多尺度？还是鲁棒性？
只有问题意识立住了，后面做研究才不会一直被论文名带着跑。
最后
交通流量预测这个方向表面上卷模型，实际上卷的是你对真实问题的理解深度。
至少对我自己来说，我现在越来越不想只追一个更花的结构名字了。相比之下，我更关心的是：
- 这个问题是不是现实中真会遇到；
- 这个改进是不是有明确逻辑；
- 这个模型是不是足够稳、足够省、足够能落地。
如果后面真能沿着这条线继续往下做，我觉得这件事会比单纯刷一个更高分数更有意思。