面向多城市交通与 mobility 预测的城市条件记忆

在众多城市部署时空预测模型存在困难：交通网络的大小和拓扑结构不同，数据可用性可能因数量级而异，新城市可能仅提供短暂的日志记录。现有的深度交通模型通常按城市和 backbone 训练，导致高维护成本和对数据稀缺城市的迁移效果差。我们询问是否存在一种单一且不依赖于 backbone 的层，可以条件化“该序列来自哪个城市”，在完整数据和低数据情景下提高准确度，并通过最小代码更改实现更好的跨城市适应。我们提出 CityCond，即面向城市的轻量级记忆层，通过城市 ID 编码器和可选的共享记忆库（CityMem）来增强现有的时空 backbone。给定城市索引和 backbone 隐藏状态，它产生受城市条件化的特征，通过门控残差连接进行融合。我们将 CityCond 附加到五种代表性 backbone 上（GRU、TCN、Transformer、GNN、STGCN），并在三个情景下进行评估：完整数据、低数据和跨城市 few-shot 迁移，使用 METR-LA 和 PEMS-BAY。我们还在新京洞的某信号灯交叉口的无人机基于智能体的轨迹数据集 SIND 上运行了辅助实验（我们关注行人轨迹）。在超过十四种模型变体和三个随机种子的实验中，CityCond 均实现了一致的改进，特别是对于高容量的 backbone 如 Transformer 和 STGCN，提升尤为显著。CityMem 在完整数据情景下使 Transformer 错误降低约三分之一，在低数据情景和跨城市迁移中取得显著提升。在 SIND 上，简单的城市 ID 条件化可为低数据 LSTM 带来适度的性能提升。因此，CityCond 可作为一种可重用的设计模式，用于在现实数据约束下的可扩展、多城市预测。