可泛化隐式神经表示作为通用时空交通数据学习器

$\textbf{本文是论文的会议版本：时空隐式神经表示作为通用交通数据学习器}$。时空交通数据（STTD）衡量多尺度交通系统的复杂动态行为。现有方法旨在使用低维模型重建STTD，但受限于数据特定维度或源依赖模式，无法统一表示。本文提出一种新范式，通过将STTD参数化为隐式神经表示来解决STTD学习问题。为在低维空间中识别潜在动态，采用可编码高频结构的坐标基神经网络，直接将坐标映射到交通变量。为解开纠缠的时空交互，将变异性分解为独立过程。我们进一步利用谱嵌入实现对不规则空间（如传感器图）的建模。通过连续表示，我们的方法能够用统一输入建模多种STTD，从而成为底层交通动态的通用学习器。实验还表明，它能从数据中学习隐式低秩先验和平滑正则化，使其适用于学习不同的主导数据模式。我们通过大量真实场景实验验证其有效性，展示了从走廊到网络尺度的应用。实证结果不仅表明我们的模型显著优于传统低秩模型，还突出了该方法的通用性。我们期望这一开创性的建模视角能为STTD在各种实际任务中的通用表示奠定基础。$\textbf{完整版本见：}$ https://doi.org/10.48550/arXiv.2405.03185。