探索时空交通预测的泛化性：元建模与解析框架
机器学习
2022-04-12 v3 人工智能
摘要
时空交通预测（STTP）问题是一个经典问题，已有大量传统统计学习与近期深度学习方法的先前研究投入。虽然 STTP 可指代许多现实世界问题，但大多数现有研究聚焦于相当特定的应用，如出租车需求、拼车订单、交通速度等预测。这阻碍了 STTP 研究，因为为不同应用设计的方法难以比较，从而应用驱动的方法如何泛化到其他场景并不清晰。为填补此空白，本文做出三方面努力：（i）我们提出称为 STAnalytic 的解析框架，定性考察 STTP 方法在各空间与时间因子上的设计考量，旨在使不同应用驱动的方法可比较；（ii）我们设计称为 STMeta 的时空元模型，可灵活整合由 STAnalytic 识别的可泛化时间与空间知识；（iii）我们构建包含五类场景十个真实数据集的 STTP 基准平台，定量度量 STTP 方法的泛化性。特别地，我们以不同深度学习技术实现 STMeta，且 STMeta 在所有数据集上平均预测误差更低，展现出优于最先进方法的泛化性。
引用
@article{arxiv.2009.09379,
title = {Exploring the Generalizability of Spatio-Temporal Traffic Prediction: Meta-Modeling and an Analytic Framework},
author = {Leye Wang and Di Chai and Xuanzhe Liu and Liyue Chen and Kai Chen},
journal= {arXiv preprint arXiv:2009.09379},
year = {2022}
}