基于交通模式库的跨城市少样本交通预测
机器学习
2023-08-22 v1
摘要
交通预测是智能交通系统（ITS）中的一项关键服务。利用深度模型解决该任务严重依赖来自交通传感器或车辆设备的数据，而一些城市可能缺乏设备支持从而可用数据很少。因此，有必要从数据丰富的城市学习并将知识迁移到数据稀缺的城市，以提升交通预测性能。为解决此问题，我们提出了一种基于交通模式库（TPB）的跨城市少样本交通预测框架，这是因为跨城市的交通模式具有相似性。TPB 利用预训练的交通片段编码器将数据丰富城市的原始交通数据投影到高维空间，并通过聚类生成交通模式库。随后，数据稀缺城市的交通数据可查询该交通模式库并构建它们之间的显式关系。基于这些关系聚合元知识，并构建邻接矩阵以引导下游时空模型预测未来交通。常用的元训练框架 Reptile 被调整以寻找可学习模块的更好初始参数。在真实世界交通数据集上的实验表明，TPB 优于现有方法，并证明了我们的方法在跨城市少样本交通预测中的有效性。
引用
@article{arxiv.2308.09727,
title = {Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank},
author = {Zhanyu Liu and Guanjie Zheng and Yanwei Yu},
journal= {arXiv preprint arXiv:2308.09727},
year = {2023}
}
备注
Accepted by CIKM2023 (Long Paper)