TERMCast：面向高效城市流预测的时间关系建模
人工智能
2022-03-04 v2 机器学习
摘要
鉴于城市流模式固有的周期性特征，城市流预测是一项具有挑战性的任务。为捕捉周期性，现有的城市流预测方法通常从城市流序列中提取邻近、周期和趋势分量进行设计。然而，这三个分量在预测模型中常被分开考虑，尚未在城市流预测模型中得到充分联合探索与同步融合。我们提出了一种新颖的城市流预测架构 TERMCast。其显式设计了一个基于 Transformer 的长期关系预测模块，用于发现周期性并使得三个分量能够被联合建模；该模块预测周期关系，并由此生成预测的城市流张量。为衡量预测周期关系向量与由预测城市流张量推断出的关系向量之间的一致性，我们提出了一种一致性模块，并在训练过程中引入一致性损失以进一步提升预测性能。通过在三个真实世界数据集上的大量实验，我们证明了 TERMCast 优于多种 state-of-the-art 方法。我们也对 TERMCast 中各模块的有效性进行了探究。
引用
@article{arxiv.2011.05554,
title = {TERMCast: Temporal Relation Modeling for Effective Urban Flow Forecasting},
author = {Hao Xue and Flora D Salim},
journal= {arXiv preprint arXiv:2011.05554},
year = {2022}
}