来源：BIGSCITY

原文链接：https://mp.weixin.qq.com/s/XKRxDtCWZ87vkzOIPhonbg

第35届国际人工智能大会（IJCAI2026）将于2026年8月15日-8月21日在德国不莱梅市正式举行。目前，参会论文评审结果已经揭晓，BIGSCITY实验室论文HieraMix: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting（《HieraMix：面向大规模交通预测的层次化MLP-Mixer模型》）获IJCAI2026录用。

会议介绍

IJCAI（International Joint Conference on Artificial Intelligence）会议始于1969年，是国际人工智能领域研究内容最为全面、最具影响力的顶级学术会议之一。会议内容涵盖了人工智能理论与架构、机器学习、自然语言处理、计算机视觉、机器人科学等领域，会议论文代表着人工智能领域最新研究进展和最高研究水平。

论文介绍

HieraMix：面向大规模交通预测的层次化 MLP-Mixer 模型

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

作者：硕士生王永瑶，博士生于勰，王静远教授，寄家豪博士，李超副教授

概述：交通预测是智能交通系统中的基础任务，对城市治理与出行优化具有重要意义。随着城市感知网络规模的快速扩张，面向真实路网的大规模交通预测正成为该领域的核心议题。然而，现有方法在大规模场景下面临两大瓶颈：一方面，基于图神经网络（GNN）和 Transformer 的主流模型虽具备较强的时空建模能力，但其平方级计算复杂度使其在节点规模成倍扩展时面临难以承受的时间与显存开销。另一方面，近期兴起的 MLP-Mixer 类线性模型虽具备良好的可扩展性，但其对所有样本进行无差别的全局特征混合，在大规模数据中会将关键依赖淹没于海量无关噪声之中，难以精准刻画真正起主导作用的时空模式。

时空数据天然具备的层次结构。在不同数据分辨率下，时空数据呈现出截然不同的主导模式：微观层面以邻近相似性为主，宏观层面则受周期、趋势与区域语义驱动。基于这一洞见，本文提出 HieraMix——一种全 MLP 架构的层次化时空Mixer模型。HieraMix 的核心是时空混合模块（Spatiotemporal Mixing Block），通过自底向上的特征聚合构建多分辨率特征金字塔，并通过自顶向下的传播机制实现跨尺度特征融合，使模型在不同时空粒度上分别捕捉局部相似性、宏观趋势与区域级语义关联，从而抑制大规模数据中的噪声干扰。此外，本文进一步设计了自适应区域混合器（Adaptive Region Mixer），基于区域语义动态生成变换矩阵，并引入参数正交正则项以增强区域间的语义区分度，实现区域级时空模式建模。在 LargeST 基准的四个大规模数据集上的大量实验表明，HieraMix性能优于先进基线模型，同时保持与线性模型相当的训练与推理效率。

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)