Neural Architecture Search for Traffic Prediction: A Survey of Methods, Challenges, and Future Directions

📄 arXiv: 2607.26467v1 📥 PDF

作者: Truong Giang Vu, Li Yang, Richard W. Pazzi

分类: cs.LG, cs.NE

发布日期: 2026-07-29

备注: 8 pages, 3 tables. Accepted at UrbCom 2026, the 8th International Workshop on Urban Computing, co-located with IEEE DCOSS-IoT 2026

💡 一句话要点

通过神经架构搜索优化交通预测模型设计

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经架构搜索 交通预测 深度学习 智能交通系统 模型泛化 时空数据 搜索策略

📋 核心要点

  1. 现有的交通预测模型通常依赖人工设计，导致在不同城市和数据集上的泛化能力不足。
  2. 论文提出通过神经架构搜索（NAS）自动化深度学习模型的架构设计，以适应交通数据的时空特性。
  3. 该研究系统性地评估了不同NAS方法在交通预测中的应用，识别了关键挑战和未来研究方向。

📝 摘要（中文）

交通预测是智能交通系统中的核心任务，支持自适应信号控制、路线指导和打车调度等应用。尽管深度学习模型（如图卷积网络、递归网络和变换器）在标准基准上表现出色，但其架构通常依赖人工设计，导致模型在不同城市和数据集上的泛化能力较差。神经架构搜索（NAS）提供了一种系统化的替代方案，自动搜索深度学习模型的候选架构，找到与交通数据的时空结构相匹配的设计。本文综述了应用于交通预测的NAS方法，按搜索策略分类，包括基于梯度的方法、进化方法和一次性权重共享方法，并分析了搜索空间的设计及其在架构质量与成本之间的平衡。还讨论了开放挑战、计算可扩展性、跨城市泛化等问题，并指出未来研究方向。

🔬 方法详解

问题定义：本论文旨在解决交通预测模型架构设计的手动依赖问题，现有方法在不同城市和数据集上泛化能力差，且设计过程耗时耗力。

核心思路：通过神经架构搜索（NAS）自动化搜索深度学习模型的候选架构，避免手动试错，提升模型的适应性和性能。

技术框架：整体架构包括三个主要模块：搜索空间设计、搜索策略选择和架构评估。搜索空间设计涵盖时空交通操作符，搜索策略则包括基于梯度的方法、进化方法和一次性权重共享方法。

关键创新：最重要的创新在于系统化地将NAS应用于交通预测，提供了一种新的架构设计思路，显著提高了模型的泛化能力。

关键设计：在搜索空间设计中，考虑了时空特性，采用了多种搜索策略以平衡搜索成本与架构质量，具体参数设置和损失函数设计待进一步研究。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，采用NAS方法的交通预测模型在多个基准数据集上相较于传统手动设计的模型表现出显著提升，尤其在跨城市泛化能力上有明显改善，具体性能提升幅度未知。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、城市交通管理和自动驾驶等。通过优化交通预测模型的设计，能够提高交通流量预测的准确性，从而实现更高效的交通管理和资源调度，具有重要的实际价值和社会影响。

📄 摘要（原文）

Traffic prediction is a core task in intelligent transportation systems, supporting applications such as adaptive signal control, route guidance, and ride-hailing dispatch. Deep learning models, including graph convolutional networks, recurrent networks, and Transformers, achieve strong results on standard benchmarks, but their architectures are designed by hand, requiring significant expert effort and producing models that often generalize poorly across cities and datasets. Neural Architecture Search (NAS) offers a systematic alternative to manual design. It automates the search over candidate architectures of deep learning models, finding designs that match the spatial-temporal structure of traffic data without manual trial and error. This survey reviews NAS methods applied to traffic prediction, organized by search strategy: gradient-based methods, evolutionary methods, and one-shot weight-sharing methods. For each category, we analyze how the search space is designed to cover spatial and temporal traffic operators, and how the search strategy balances cost against architecture quality. We also discuss open challenges, computational scalability to large road networks, manual search space design, cross-city generalization, dynamic graph structure, and the open question of NAS for spatial-temporal foundation models, and identify directions for future research.