Este artículo propone M3-Net, un modelo rentable y sin grafos basado en perceptrones multicapa (MLP) para la predicción precisa del volumen de tráfico, esencial para el desarrollo de sistemas de transporte inteligentes. Los modelos existentes de predicción del volumen de tráfico basados en aprendizaje profundo se basan en la estructura completa de la red de transporte o requieren diseños de modelos complejos para capturar dependencias espaciotemporales complejas. M3-Net aborda estos problemas utilizando series temporales e incrustaciones espaciotemporales para un procesamiento eficiente de características e introduciendo una novedosa arquitectura MLP-Mixer con un mecanismo de Mezcla de Expertos (MoE). Experimentos con diversos conjuntos de datos reales demuestran el excelente rendimiento predictivo y la facilidad de implementación del modelo propuesto.
