面向城市时空预测的分布感知在线持续学习
机器学习
2024-11-26 v1 人工智能
摘要
城市时空 (ST) 预测对于智能调度和路径规划等各种城市应用至关重要。以往研究侧重于离线建模城市位置之间的 ST 相关性，往往忽视城市 ST 数据的非平稳特性，特别是随时间的分布迁移。这一疏忽可能导致在实际场景中性能下降。本文首先分析城市 ST 数据中的分布迁移，然后引入 DOST，一个针对 ST 数据特性的新型在线持续学习框架。DOST 采用一种适应性 ST 网络，配合可变独立适配器，以动态方式解决每个城市位置的独特分布迁移。进一步，为 accommodate 这些迁移的渐进性质，我们发展了一种醒觉-休眠学习策略，在在线阶段定期微调适配器，以减少计算开销。该策略集成了一个针对城市 ST 序列数据的流式记忆更新机制，有效地使网络适应新模式，同时防止灾难性遗忘。实验结果确认 DOST 在四个真实数据集上优于最新模型，平均预测延迟为 0.1 秒，预测误差比基线模型降低 12.89%。
引用
@article{arxiv.2411.15893,
title = {Distribution-aware Online Continual Learning for Urban Spatio-Temporal Forecasting},
author = {Chengxin Wang and Gary Tan and Swagato Barman Roy and Beng Chin Ooi},
journal= {arXiv preprint arXiv:2411.15893},
year = {2024}
}