时空隐式神经表示作为通用交通数据学习器

时空交通数据（STTD）衡量多尺度交通系统的复杂动态行为。现有方法旨在使用低维模型重建STTD，但它们受限于特定数据维度或源相关模式，无法统一表示。在此，我们提出一种新范式，通过将STTD参数化为隐式神经表示来解决STTD学习问题。为了辨别低维区域中的潜在动态，我们采用能够编码高频结构的基于坐标的神经网络，直接将坐标映射到交通变量。为了解开纠缠的时空交互，将变异性分解为独立过程。我们进一步利用谱嵌入实现了在传感器图等不规则空间中的建模。通过连续表示，我们的方法能够用统一输入建模多种STTD，从而作为底层交通动态的通用学习器。我们还表明，它可以从数据中学习隐式低秩先验和平滑正则化，使其能够灵活学习不同的主导数据模式。我们通过大量真实场景实验验证了其有效性，展示了从走廊到网络规模的应用。实证结果不仅表明我们的模型显著优于传统低秩模型，还突出了该方法在不同数据域、输出分辨率和网络拓扑中的通用性。全面的模型分析进一步提供了对STTD归纳偏置的见解。我们期望这种开创性的建模视角能够为各种实际任务中STTD的通用表示奠定基础。代码可在 https://github.com/tongnie/traffic_dynamics 获取。