面向时间域偏移下共享单车需求预测的鲁棒最优传输引导生成式残差域适应
机器学习
2026-05-25 v1 机器学习
摘要
基于历史站点-小时数据训练的共享单车模型在后续年份部署时，其性能可能会因出行模式随时间变化而下降。本文将2021年至2026年3月的 Citi Bike 需求预测作为时间域适应问题进行研究，并提出 Gen-ROTDA，一种鲁棒最优传输引导的残差域适应框架。该方法利用少量带标签的目标域子集拟合目标域站点-时间锚点，迁移残差而非原始需求，应用确定性保标签残差特征生成器，并在训练最终残差预测器之前修剪高成本传输匹配。实验将 Gen-ROTDA 与仅锚点、仅源域、仅目标域、微调、MMD 适应、Sinkhorn OTDA、ROTPA 和 Gen-OTDA 进行了比较。Gen-ROTDA 在2025至2026年的主要任务上取得了最低的 MAE，并且在多年任务中平均而言是最佳的 OT 族方法，尽管微调和 MMD 适应整体上仍是强劲的基线。在异常的无标签目标域记录下，Gen-ROTDA 比非鲁棒 OT 变体稳定得多，这表明鲁棒传输对于共享单车需求预测中含噪时间迁移是有用的。
引用
@article{arxiv.2605.23115,
title = {Robust OT-Guided Generative Residual Domain Adaptation for Bike-Sharing Demand Prediction under Temporal Domain Shift},
author = {Yiming Ma},
journal= {arXiv preprint arXiv:2605.23115},
year = {2026}
}