PIMCST：面向交通流预测的物理信息多相共识时空少样本学习
机器学习
2026-02-03 v1 人工智能
摘要
准确的交通流预测是智能交通系统中的基础挑战，尤其是在跨域、数据稀缺场景下，受限于历史数据量限制模型训练和泛化。城市交通网络的复杂时空依赖关系和非线性动力学进一步复杂化了在不同城市之间进行少样本学习。本文提出MCPST（Multi-phase Consensus Spatio-Temporal framework），即多相共识时空框架，用于少样本交通预测，重新概念化交通预测作为多相共识学习问题。我们的框架引入三个核心创新：（1）多相引擎通过扩散、同步和谱嵌入建模交通动力学，实现全面动态特征表征；（2）自适应共识机制动态融合各相预测，同时强制一致性；（3）结构化元学习策略实现对新城市的快速适应。我们建立了严格的理论保证，包括具有有界逼近误差的表示定理以及少样本适应的泛化界。通过在四个真实数据集上的实验，MCPST在时空图学习方法、动态图迁移学习方法、基于提示的时空预测方法和跨域少样本设置中均优于十四种最先进方法，提升预测精度，同时减少所需训练数据，提供可解释性洞察。实现代码已公开：https://github.com/afofanah/MCPST。
引用
@article{arxiv.2602.01936,
title = {PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting},
author = {Abdul Joseph Fofanah and Lian Wen and David Chen},
journal= {arXiv preprint arXiv:2602.01936},
year = {2026}
}