面向深度时空预测的跨城市迁移学习
人工智能
2018-05-22 v2
摘要
时空预测是城市计算中的一类关键任务，例如交通流与空气质量。充足的数据通常是前提条件，尤其是在采用深度学习时。然而，不同城市的发展水平不平衡，仍有许多城市饱受数据稀缺之苦。为解决该问题，我们提出了一种用于深度时空预测任务的新型跨城市迁移学习方法，称为 RegionTrans。RegionTrans 旨在将数据丰富的源城市中的知识有效迁移到数据稀缺的目标城市。更具体地，我们首先学习一个城市间区域匹配函数，将每个目标城市区域匹配到相似的源城市区域。设计了一个神经网络以有效提取用于时空预测的区域级表示。最后，提出一种优化算法，借助区域匹配函数将源城市学到的特征迁移到目标城市。以全市范围人群流预测作为示范实验，我们验证了 RegionTrans 的有效性。结果表明，RegionTrans 可比最先进的微调深度时空预测模型减少多达 10.7% 的预测误差。
引用
@article{arxiv.1802.00386,
title = {Cross-City Transfer Learning for Deep Spatio-Temporal Prediction},
author = {Leye Wang and Xu Geng and Xiaojuan Ma and Feng Liu and Qiang Yang},
journal= {arXiv preprint arXiv:1802.00386},
year = {2018}
}