基于频率增强预训练的跨城市少样本交通预测

智能交通系统(ITS)依赖于准确的交通预测以实现各种下游应用。然而，发展中国家常面临由于资源有限和设施陈旧而难以收集足够训练交通数据的挑战。认识到这一障碍，跨城市少样本预测概念正在成为可行的方法。虽然前些方法忽略城市之间频率相似性，但我们观察到交通数据在频率域之间更相似。基于这一事实，我们提出了基于频率增强预训练的跨城市少样本预测框架(FEPCross)。FEPCross包含预训练阶段和微调阶段。在预训练阶段，我们提出了一种跨域时空编码器，整合时间域和频率域信息，并以重建和对比目标训练。在微调阶段，我们设计模块丰富训练样本并维持动量更新的图结构，从而缓解对少样本训练数据的过拟合风险。在真实世界交通数据集上的经验评估验证了FEPCross的卓越效力，超越了来自不同类别的现有方法，并展示了促进跨城市少样本预测进程的特征。