CoMemNet：基于对比采样与记忆回放网络的持续交通预测
机器学习
2026-05-08 v1 人工智能
摘要
近年来， 将非拓扑空间建模与时序学习方法集成，已被证明是捕捉非欧几里得图上的时空信息的有效方法。然而，大多数现有方法依赖静态的底层图结构，无法捕捉流式交通网络中持续扩张和演化的模式。为此，我们提出一种简单且高效的双分支持续学习框架用于交通预测，命名为CoMemNet。快速收敛的Online分支承担主要的预测任务，而动量更新的Target分支利用Wasserstein距离特征提取历史信息，以创建动态对比采样器(DC Sampler)。该采样器选择一组在动态网络特征方面具有显著变化的节点用于训练，有效缓解了灾难性遗忘问题。此外，网络骨架包含轻量级节点自适应时序记忆缓冲区(TMRB-N)，通过记忆回放整合旧知识，解决内存爆炸的风险。最后，我们提供了两个全新整理的开源数据集。实验结果表明，CoMemNet在所有三个大规模真实数据集上实现了最先进(SOTA)的性能。代码已公开于：https://github.com/meiwu5/CoMemNet。
引用
@article{arxiv.2605.05738,
title = {CoMemNet: Contrastive Sampling with Memory Replay Network for Continual Traffic Prediction},
author = {Mei Wu and Wenchao Weng and Wenxin Su and Wenjie Tang and Wei Zhou},
journal= {arXiv preprint arXiv:2605.05738},
year = {2026}
}
备注
12 pages, 6 figures