Generalising Traffic Forecasting to Regions without Traffic Observations

交通预测是智能交通系统的关键任务。准确的预测依赖于由交通传感器收集的持续观察数据。然而，由于高昂的部署和维护成本，並非所有地区都配备有此类传感器。这篇论文旨在预测缺乏交通传感器的地区的交通情况，其中缺乏历史交通观察数据对现有模型的可泛化性构成挑战。我们提出了名为GenCast的模型，其核心思想是利用外部知识来弥补缺失的观察数据，从而提升模型的可泛化性。我们将物理信息神经网络融入GenCast，使物理原理能够正则化学习过程。我们引入外部信号学习模块，以探索交通状态与外部信号（如天气条件）之间的相关性，进一步提升模型的可泛化性。此外，我们设计了空间分组模块，以过滤阻碍模型可泛化性的局部特征。大量实验表明，GenCast在多个真实世界数据集上 consistently 降低了预测误差。