交通预测不再逐步采样：CoReFlow一次前向出完整预测，四个路网数据集上12项点指标赢下11项
核心概要
概率交通预测长期依赖扩散模型的多步采样，推理慢，点预测精度还常落后于确定性基线。CoReFlow把概率流常微分方程的解算子——流映射——直接学出来，并用条件均值放松轨迹一致性约束，使一次前向即可生成完整预测。在PEMS03、PEMS04、PEMS07、PEMS08四个真实路网数据集上，它在12项确定性指标中11项居首，并在PEMS07与PEMS08的生成式对比中取得全部14项最优。
深度剖析
概率交通预测现在可以一次前向生成完整预测，而不必沿扩散轨迹反复调用网络。 此前的扩散与流匹配生成模型靠多步迭代采样刻画不确定性，推理慢，点预测精度也常不及最强的确定性基线。 在PEMS03、PEMS04、PEMS07、PEMS08四个真实路网数据集上，CoReFlow在12项确定性指标中11项排名第一，唯一例外是PEMS03的RMSE，该项由HyperD居首。
训练目标不再要求整条轨迹自洽，而是用条件均值约束一致性，从而在条件分布较单峰时稳定优化。 已有的流映射训练方法如自蒸馏与MeanFlow Identity靠轨迹一致性保留多模态，并因此带来梯度不稳定与早期误差累积。 在PEMS07与PEMS08上替换为MeanFlow Identity、改进版MeanFlow Identity或自蒸馏目标都会使预测误差上升，把节点级自适应权重换成批级权重也一致变差。
生成式对比中，CoReFlow在单样本与10样本聚合两种设置下都取得最低的RMSE、MAE与MAPE，并在两个数据集上取得最好的CRPS。 DiffSTG、USTD、SpecSTG等生成式基线在同样两个路网上误差更高。 在PEMS07与PEMS08的全部14项报告对比中CoReFlow均为最优；推理时每条轨迹只需一次网络函数求值，而SpecSTG需要600次。
启示与展望
演示范围是四个高速公路流量数据集，输入过去一小时、预测未来一小时，时间分辨率为5分钟；作者明确把结论限定在条件未来接近单峰的区间，并计划把放松后的流映射扩展到多模态更强、预测时域更长的场景。
作者指出该目标以少量近似偏差换取稳定监督，收益在条件未来接近单峰时最大；评测只覆盖一小时时域的高速公路流量数据，其他领域可能出现更强的多模态。