利用对比预训练嵌入空间上下文进行城市交通预测
机器学习
2025-03-20 v1
摘要
城市交通预测是一个常见问题，在城市规划、土木工程和交通等领域有广泛应用。在本文中，我们研究了通过预训练增强交通预测，重点关注时空图方法。虽然已经探索和广泛研究了各种用于解决交通预测问题的机器学习方法，但在一种更具语境化的方法上存在空白：研究相关的非交通数据如何改善交通预测问题的预测性能。我们称这些数据为空间上下文。我们提出了一种通过交通商图概念组合道路和交通信息的新方法，交通商图是由道路几何和交通传感器形成的商图。我们还定义了一种以几何编码器形式编码这种关系的方法，该编码器使用对比学习方法进行预训练并结合 OpenStreetMap 数据。我们介绍并讨论了将此几何编码器与现有基于图神经网络（GNN）的交通预测模型集成的方法，采用对比预训练范式。我们证明了这种混合模型在不增加额外交通数据的情况下提高泛化能力和性能的潜力。该论文的代码可在 https://github.com/mattchrlw/forecasting-on-new-roads 获取。
引用
@article{arxiv.2503.14980,
title = {Embedding spatial context in urban traffic forecasting with contrastive pre-training},
author = {Matthew Low and Arian Prabowo and Hao Xue and Flora Salim},
journal= {arXiv preprint arXiv:2503.14980},
year = {2025}
}
备注
21 pages with references, 10 figures