基于空间对比预训练（SCPT）的新建道路交通预测
机器学习
2023-10-04 v4
摘要
新道路一直在不断修建。然而，以往深度预测模型对训练数据中未出现的新道路（未见道路）的泛化能力很少被探究。本文引入一种称为时空（ST）划分的新设定，用于评估模型对未见道路的泛化能力。在该设定下，模型在部分道路样本上训练，但在训练数据中未出现的道路上测试。此外，我们还提出一种称为空间对比预训练（SCPT）的新框架，其中引入空间编码器模块，在推理时从未见道路提取潜在特征。该空间编码器使用对比学习进行预训练。在推理时，空间编码器仅需新道路两天交通数据且无需任何重新训练。我们还表明，空间编码器的输出可在推理时有效用于推断未见道路上的潜在节点嵌入。SCPT框架还引入一个名为空间门控加法（SGA）层的新层，以有效将空间编码器输出的潜在特征与现有骨干网络结合。另外，由于未见道路数据有限，我们认为将交通信号解耦为易于捕捉的周期信号和难以捕捉的马尔可夫信号、并让空间编码器仅学习马尔可夫信号更为合理。最后，我们使用ST划分设定在四个真实数据集上实证评估了SCPT。结果表明，在骨干网络上添加SCPT能持续提升未见道路的预测性能。更重要的是，在更长远的未来预测中提升幅度更大。代码已在GitHub提供：https://github.com/cruiseresearchgroup/forecasting-on-new-roads。
引用
@article{arxiv.2305.05237,
title = {Traffic Forecasting on New Roads Using Spatial Contrastive Pre-Training (SCPT)},
author = {Arian Prabowo and Hao Xue and Wei Shao and Piotr Koniusz and Flora D. Salim},
journal= {arXiv preprint arXiv:2305.05237},
year = {2023}
}
备注
25 pages including reference, an additional 3 pages of appendix, 8 figures. ECML PKDD 2023 Journal track special issue: Data Mining and Knowledge Discovery (DAMI)