语义融合的多粒度跨城市交通预测
机器学习
2024-04-02 v2
摘要
准确的交通预测对有效的城市管理和运输效率提升至关重要。近年来，数据驱动的交通预测方法被广泛采用，性能优于传统方法。然而，它们通常需要大量数据以有效训练，而在感知基础设施不足、数据稀缺普遍的地区，这成为挑战。为解决此问题，我们提出语义融合多粒度迁移学习(Semantic-Fused Multi-Granularity Transfer Learning, SFMGTL)模型，通过融合不同粒度的语义实现跨城市知识迁移。具体而言，我们设计语义融合模块以融合多种语义，同时通过重构损失保留静态空间依赖。随后，基于节点特征通过图结构学习构建融合图。之后，我们实施分层节点聚类以生成不同粒度的图。为提取可行元知识，我们进一步引入公共与私有记忆，并通过对抗训练获得域不变特征。值得注意的是，我们的工作联合解决了迁移学习中的语义融合与多粒度问题。我们在六个真实数据集上进行了大量实验，与其他最先进基线比较以验证 SFMGTL 模型的有效性。随后我们还进行了消融与案例研究，表明我们的模型相比基线模型参数量显著更少。此外，我们展示了知识迁移如何帮助模型准确预测需求，尤其在高峰时段。代码见 https://github.com/zeonchen/SFMGTL。
引用
@article{arxiv.2302.11774,
title = {Semantic-Fused Multi-Granularity Cross-City Traffic Prediction},
author = {Kehua Chen and Yuxuan Liang and Jindong Han and Siyuan Feng and Meixin Zhu and Hai Yang},
journal= {arXiv preprint arXiv:2302.11774},
year = {2024}
}