STRATA-TS：面向城市时间序列预测的选择性知识迁移框架
机器学习
2025-09-23 v2
摘要
城市预测模型常面临严重的数据不平衡问题：仅少数城市拥有密集且持续的记录，而许多其他城市仅暴露于短暂或不完整的历史数据中。直接从数据丰富的城市迁移到数据稀缺的城市不可靠，因为只有有限的源模式真正有益于目标领域，而无选择性迁移则风险引入噪声和负迁移。我们提出了 STRATA-TS（Selective TRAnsfer via TArget-aware retrieval for Time Series），一个结合领域适应检索与可推理大模型的框架，用于改进稀缺数据情境下的预测。STRATA-TS 采用基于块的时间编码器来识别与目标查询在语义和动态上对齐的源子序列。这些检索到的示例随后被注入检索引导的推理阶段，在该阶段中，LLM 对目标输入和检索到的支持进行结构化推理。为实现高效部署，我们通过监督微调将推理过程蒸馏到一个紧凑的开源模型。在新加坡、 Nottingham 和格拉斯威尔三个城市的三个停车 availability 数据集上进行的广泛实验表明，STRATA-TS 在多个强预测和迁移基线上 consistently 优于表现，同时提供可解释的知识迁移路径。
引用
@article{arxiv.2508.18635,
title = {STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning},
author = {Yue Jiang and Chenxi Liu and Yile Chen and Qin Chao and Shuai Liu and Cheng Long and Gao Cong},
journal= {arXiv preprint arXiv:2508.18635},
year = {2025}
}