应对多年空间偏移的鲁棒交通预测
机器学习
2024-10-02 v1 人工智能
数据库
机器学习
摘要
时空图神经网络（ST-GNN）和Transformer的最新进展通过有效捕获时间和空间相关性，展示了交通预测的巨大潜力。时空模型的泛化能力在近期的学术讨论中受到了广泛关注。然而，尚未提出专门针对交通分布外（OOD）场景的实质性数据集。现有的ST-OOD方法要么局限于在现有数据上进行测试，要么需要对数据集进行手动修改。因此，当前时空模型在OOD场景下的泛化能力在很大程度上仍未得到充分探索。在本文中，我们使用新提出的交通OOD基准测试研究了最先进的模型，并令人惊讶地发现这些模型性能显著下降。通过细致的分析，我们将这种下降归因于模型无法适应先前未观察到的空间关系。为了应对这一挑战，我们提出了一种新颖的专家混合（MoE）框架，该框架在训练期间学习一组图生成器（即图on），并在测试期间根据新的环境条件自适应地组合它们以生成新图，从而处理空间分布偏移。我们进一步将此概念扩展到Transformer架构，取得了显著的改进。我们的方法既简洁又有效，可以无缝集成到任何时空模型中，在解决空间动态方面优于当前最先进的方法。
引用
@article{arxiv.2410.00373,
title = {Robust Traffic Forecasting against Spatial Shift over Years},
author = {Hongjun Wang and Jiyuan Chen and Tong Pan and Zheng Dong and Lingyu Zhang and Renhe Jiang and Xuan Song},
journal= {arXiv preprint arXiv:2410.00373},
year = {2024}
}