跨城市少样本交通预测：基于交通模式库的方法
摘要：交通预测是智能交通系统（ITS）中的关键服务。利用深度模型来解决这个任务严重依赖于来自交通传感器或车辆设备的数据，然而一些城市可能缺乏设备支持，因此可用的数据很少。因此，有必要从数据丰富的城市中学习，并将知识转移到数据稀缺的城市，以提高交通预测的性能。为了解决这个问题，我们提出了一种通过交通模式库（TPB）来进行跨城市少样本交通预测的框架，因为交通模式在城市间是相似的。TPB利用预训练的交通补丁编码器将来自数据丰富城市的原始交通数据投射到高维空间，通过聚类生成交通模式库。然后，数据稀缺城市的交通数据可以查询交通模式库，并构建它们之间的明确关系。基于这些关系聚合元知识，并构建邻接矩阵来指导下游的时空模型来预测未来的交通情况。我们改进了常用的元训练框架Reptile，以找到更好的可学习模块的初始参数。在真实的交通数据集上的实验证明，TPB优于现有方法，展示了我们方法在跨城市少样本交通预测中的有效性。
作者：Zhanyu Liu, Guanjie Zheng, Yanwei Yu
论文ID：2308.09727
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22