面向极端交通预测的测试时补偿表示学习
机器学习
2023-09-19 v1
摘要
由于交通序列间复杂的时空相关性，交通预测是一项具挑战性的任务。本文中，我们识别出多变量交通序列预测中一个未被充分探索的问题：极端事件。道路拥堵与高峰时段会导致相邻时间段内各交叉口车速相关性低。现有方法通常基于近期观测预测未来序列，并在测试阶段完全丢弃训练数据，致使它们在预测高度非线性多变量时间序列时不可靠。为应对此问题，我们提出一种测试时补偿表示学习框架，由时空分解数据银行与多头空间Transformer模型(CompFormer)组成。前者组件依据周期性特征沿时间维度显式分离所有训练数据，后者组件通过空间注意力矩阵建立近期观测与数据银行中历史序列的联系。这使CompFormer能迁移鲁棒特征以克服异常事件，同时消耗更少计算资源。我们的模块可通过端到端训练灵活集成于现有预测方法，并在METR-LA与PEMS-BAY基准上展示其有效性。大量实验结果表明，我们的方法在极端事件中尤为重要，相较六个强基线可实现显著提升，整体提升达28.2%。
引用
@article{arxiv.2309.09074,
title = {Test-Time Compensated Representation Learning for Extreme Traffic Forecasting},
author = {Zhiwei Zhang and Weizhong Zhang and Yaowei Huang and Kani Chen},
journal= {arXiv preprint arXiv:2309.09074},
year = {2023}
}
备注
13 pages, 10 figures, 5 tables