记忆增强不变提示学习用于分布偏移下的城市交通流预测
机器学习
2024-12-10 v1 人工智能
机器学习
摘要
城市交通流预测是一个经典的时空预测任务，用于估计给定位置未来的交通流量。虽然由时空图神经网络（STGNNs）表示的模型已成为有效的预测器，但它们往往受到城市交通流数据中常见的分布偏移的影响。不幸的是，在时空应用中，动态环境很难通过固定数量的参数来量化，而学习时间和位置特定的环境会迅速变得计算上不可行。在本文中，我们提出了一种名为记忆增强不变提示学习（MIP）的新型框架，用于在持续分布偏移下进行城市交通流预测。具体而言，MIP配备了一个可学习的记忆库，用于记忆时空图中的因果特征。通过查询存储因果特征的可训练记忆库，我们在每个时间步自适应地提取给定位置的不变和变化提示（即模式）。然后，我们不对原始数据进行基于模拟环境的干预，而是直接在空间和时间上对变化提示进行干预。在有了经过干预的变化提示后，我们使用不变学习来最小化预测的方差，以确保预测仅基于不变特征。通过在两个公共城市交通流数据集上的广泛对比实验，我们充分证明了MIP对分布外数据的鲁棒性。
引用
@article{arxiv.2412.05534,
title = {Memory-enhanced Invariant Prompt Learning for Urban Flow Prediction under Distribution Shifts},
author = {Haiyang Jiang and Tong Chen and Wentao Zhang and Nguyen Quoc Viet Hung and Yuan Yuan and Yong Li and Lizhen Cui},
journal= {arXiv preprint arXiv:2412.05534},
year = {2024}
}