UniFlow：面向统一城市时空流预测的基础模型
机器学习
2025-04-02 v3
摘要
城市时空流预测涵盖交通流和人群流，对于优化城市基础设施以及管理交通和应急响应至关重要。传统方法依赖于为基于网格的数据（将城市表示为均匀单元）或基于图的数据（将城市建模为节点和边的网络）定制的独立模型。在本文中，我们构建了 UniFlow，一个用于通用城市流预测的基础模型，该模型统一了基于网格和基于图的数据。我们首先设计了一种多视图时空分块机制，将不同数据标准化为一致的序列格式，然后引入了时空 Transformer 架构以捕捉复杂的相关性和动态。为了利用不同数据类型之间共享的时空模式并促进有效的交叉学习，我们提出了时空记忆检索增强（ST-MRA）。通过创建结构化记忆模块来存储共享的时空模式，ST-MRA 通过自适应记忆检索来增强预测。大量实验表明，UniFlow 在基于网格和基于图的流预测中均优于现有模型，尤其在数据可用性有限的场景中表现出色，展示了其优越的性能和广泛的适用性。数据集和代码实现已发布于 https://github.com/YuanYuan98/UniFlow。
关键词
引用
@article{arxiv.2411.12972,
title = {UniFlow: A Foundation Model for Unified Urban Spatio-Temporal Flow Prediction},
author = {Yuan Yuan and Jingtao Ding and Chonghua Han and Zhi Sheng and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2411.12972},
year = {2025}
}