OpenCity: 交通预测的开放时空基础模型
机器学习
2025-11-11 v1 人工智能
计算机与社会
摘要
精确的交通预测对于有效的城市规划和交通管理至关重要，能够实现高效的资源分配并提升出行体验。然而，现有模型在泛化方面往往存在局限性，难以对未见区域和城市进行零样本预测，且长期准确性会下降。这主要是由于处理交通数据固有的时空异质性挑战，以及时间和空间上显著的分布偏移所致。在本工作中，我们旨在为交通预测构建多功能、鲁棒且自适应的基础模型开辟新的可能性。为此，我们提出了一种名为OpenCity的新型基础模型，能够有效捕捉并归一化来自不同数据特征的底层时空模式，从而促进在多样化城市环境中的零样本泛化。OpenCity将Transformer架构与图神经网络相结合，以建模交通数据中的复杂时空依赖关系。通过在大规模异构交通数据集上预训练OpenCity，我们使模型能够学习丰富且可泛化的表示，从而可无缝应用于广泛的交通预测场景。实验结果表明，OpenCity展现出卓越的零样本预测性能。此外，OpenCity展示了有前景的缩放定律，表明开发一种真正适用于所有场景的交通预测解决方案的潜力，该方案能够以最小的开销适应新的城市环境。我们将提出的OpenCity模型开源，并可在以下链接获取：https://github.com/HKUDS/OpenCity。
引用
@article{arxiv.2408.10269,
title = {OpenCity: Open Spatio-Temporal Foundation Models for Traffic Prediction},
author = {Zhonghang Li and Long Xia and Lei Shi and Yong Xu and Dawei Yin and Chao Huang},
journal= {arXiv preprint arXiv:2408.10269},
year = {2025}
}
备注
12 pages