面向交通预测的高效提示学习
机器学习
2026-05-12 v1 人工智能
摘要
准确的交通预测对于优化交通系统、加强资源分配和改善整体城市管理至关重要。时空图神经网络(GNN)已取得最先进的性能，并广泛应用于各种时空预测场景。然而，这些预测方法通常泛化能力较低，难以应对由时空动态引起的分布偏移。为了应对这一挑战，我们提出了一种通过高效提示来增强时空GNN泛化和适应能力的方法。具体来说，我们为时空GNN引入了一个轻量级且模型无关的提示调优框架，名为SimpleST。它有助于使预训练的时空GNN适应新的分布，同时保持模型参数固定。这种提示机制降低了适应的开销和复杂性，使得能够高效利用预训练模型进行分布外泛化。在五个真实世界城市时空数据集上进行的大量实验证明了我们的方法在预测准确性和计算效率方面的优越性。
引用
@article{arxiv.2605.08273,
title = {Efficient Prompt Learning for Traffic Forecasting},
author = {Qianru Zhang and Xinyi Gao and Alexander Zhou and Reynold Cheng and Siu-Ming Yiu and Hongzhi Yin},
journal= {arXiv preprint arXiv:2605.08273},
year = {2026}
}
备注
24 pages. This paper is accepted by VLDBJ