TEAM：面向交通预测的拓扑演化感知框架——扩展版

由于全球城市化趋势，越来越多的人迁往并居住在城市，城市随之持续增长。交通预测在城市智能交通系统以及时空数据挖掘中扮演着重要角色。最先进的预测由深度学习方法实现，因为它们能够处理复杂的时空动态。然而，现有方法假设输入是固定拓扑的道路网络和静态的交通时间序列。这些假设与城市化进程不符，在城市化进程中，时间序列是连续收集的，道路网络随时间演变。在这种情况下，深度学习模型需要频繁地重新初始化和重新训练，从而带来高昂的计算成本。为了在不损害模型准确性的前提下实现更高效的训练，我们提出了用于交通预测的拓扑演化感知框架（TEAM），该框架融合了卷积和注意力机制。这种机制组合能够更好地适应新收集的时间序列，同时保持从旧时间序列中学到的知识。TEAM 具有一个基于 Wasserstein 度量的持续学习模块，该模块充当缓冲区，能够识别最稳定和变化最大的网络节点。然后，在巩固模型时，仅使用与稳定节点相关的数据进行重新训练。此外，仅使用新节点及其相邻节点的数据以及涉及变化节点的数据来重新训练模型。使用两个真实世界交通数据集进行的实证研究表明，TEAM 能够在不妨碍预测准确性的情况下，实现比现有方法低得多的重新训练成本。