面向跨城市少样本交通预测的多尺度交通模式库
机器学习
2024-02-27 v2 人工智能
摘要
交通预测对于智能交通系统(ITS)至关重要，有助于高效的资源分配和有效的交通控制。然而，其有效性往往严重依赖于丰富的交通数据，而许多城市由于设备支持有限而缺乏足够的数据，这对交通预测构成了重大挑战。认识到这一挑战，我们做出了一个值得注意的观察：不同城市的交通模式表现出相似性。基于这一关键洞察，我们提出了一种针对跨城市少样本交通预测问题的解决方案，称为多尺度交通模式库(MTPB)。首先，MTPB利用数据丰富的源城市启动其学习过程，通过时空感知的预训练过程有效获取全面的交通知识。随后，该框架采用先进的聚类技术，系统地从所学知识中生成一个多尺度交通模式库。接下来，数据匮乏的目标城市的交通数据可以查询该交通模式库，促进元知识的聚合。这种元知识反过来作为后续图重建和预测过程中的稳健指导，发挥关键作用。在真实世界交通数据集上进行的实证评估证实了MTPB的卓越性能，超越了各类现有方法，并展现出诸多有助于推进跨城市少样本预测方法的属性。代码可在 https://github.com/zhyliu00/MTPB 获取。
引用
@article{arxiv.2402.00397,
title = {Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting},
author = {Zhanyu Liu and Guanjie Zheng and Yanwei Yu},
journal= {arXiv preprint arXiv:2402.00397},
year = {2024}
}
备注
Under review. Text overlap with arXiv:2308.09727