揭示交通预测中自适应嵌入的僵化性
机器学习
2024-11-19 v1 人工智能
摘要
时空图神经网络（ST-GNN）和Transformer通过有效建模时间和空间相关性，在交通预测中展现出显著前景。然而，近年来的快速城市化导致交通模式和出行需求发生动态变化，给准确的长期交通预测带来了重大挑战。ST-GNN在长时间跨度场景和跨城市应用中的泛化能力在很大程度上仍未得到探索。在本研究中，我们在扩展的交通基准上评估了最先进的模型，并观察到现有ST-GNN随时间的显著性能下降，我们将其归因于其有限的归纳能力。我们的分析表明，这种下降源于无法适应城市环境中不断演变的空间关系。为解决这一局限，我们重新考虑了自适应嵌入的设计，并提出了一种主成分分析（PCA）嵌入方法，使模型无需重新训练即可适应新场景。我们将PCA嵌入集成到现有的ST-GNN和Transformer架构中，实现了性能的显著提升。值得注意的是，PCA嵌入允许训练和测试之间的图结构具有灵活性，使在一个城市训练的模型能够对其他城市进行零样本预测。这种适应性展示了PCA嵌入在增强时空模型的鲁棒性和泛化能力方面的潜力。
引用
@article{arxiv.2411.11448,
title = {Unveiling the Inflexibility of Adaptive Embedding in Traffic Forecasting},
author = {Hongjun Wang and Jiyuan Chen and Lingyu Zhang and Renhe Jiang and Xuan Song},
journal= {arXiv preprint arXiv:2411.11448},
year = {2024}
}