通过多任务学习迁移用于交通预测
机器学习
2021-12-01 v1 计算机视觉与模式识别
摘要
深度神经网络在短期交通预测中已展现出优越性能。然而，大多数现有交通预测系统假设训练与测试数据来自同一潜在分布，这限制了其实用性。NeurIPS 2021 Traffic4cast 挑战赛是首个致力于基准测试交通预测模型对时空域偏移鲁棒性的同类竞赛。本技术报告描述了我们针对该挑战赛的解决方案。特别地，我们提出了一个用于交通预测模型的时间与时空域适应的多任务学习框架。实验结果表明，我们的多任务学习方法取得了强劲的经验性能，优于若干基线域适应方法，同时保持高效。本技术报告的源代码可在 https://github.com/YichaoLu/Traffic4cast2021 获取。
引用
@article{arxiv.2111.15542,
title = {Learning to Transfer for Traffic Forecasting via Multi-task Learning},
author = {Yichao Lu},
journal= {arXiv preprint arXiv:2111.15542},
year = {2021}
}