本文提出了一种时空自监督学习（ST-SSL）框架，用于改进交通流量预测。该框架通过自适应图增广和自监督任务，考虑了空间和时间异质性，增强交通模式的表示。模型由时空编码器和自适应图增广模块组成，通过流量级和图拓扑级的数据增广，以及空间和时间异质性的建模，提高了预测准确性。实验证明ST-SSL在多个交通数据集上的优秀性能。
交通物流模型 | 基于自监督学习的交通流预测模型
在智能交通系统中，准确预测不同时间段的城市交通流量是至关重要的。现有的方法存在两个关键的局限性：1、大多数模型集中预测所有区域的交通流量，而没有考虑空间异质性，即不同区域的交通流量分布可能存在偏差；2、现有模型无法捕捉时变交通模式引起的时间异质性，大多数现有模型通常是在所有时间段内与共享参数化空间进行时间相关性建模。为解决上述问题，文章提出了一种新的时空自监督学习（ST-SSL）的预测框架，该框架通过辅助的自监督学习范式，增强了交通模式表征，以反映时空异质性。具体而言，该模型构建在一个集成模块上，具有时间卷积和空间卷积。为实现自适应时空自监督学习，ST-SSL在属性层面和结构层面对交通流量图数据进行自适应增强。在增强的流量图的基础上，文章构建了两个基于自监督学习的辅助任务，通过时空异构感知增强对主要流量预测任务进行补充。文章的主要贡献如下：
该文章是第一个提出一种新的自监督学习框架来模拟交通流预测的时空异质性。所提出的预测框架可能会对其他实际的时空应用（例如空气质量预测）有所帮助。
文章提出了一种基于图结构时空图的自适应异构感知数据增强方案，以减弱噪声扰动对预测的影响。
文章引入两个自监督学习任务来补充主要的交通预测任务，通过增强模型识别能力和对交通时空异质性的认识。
问题定义：给定若干历史时间步的交通流量图，文章所研究问题的目标是学习一个能够准确估计未来一个时间步内的所有区域的交通量的预测的函数。
文章所提出的模型框架如下图中的图（a）所示。主要包括时空编码器（ST Encoder）、自适应图增广模块（Adaptive Graph Augmentation）。</
订阅专栏 解锁全文
317
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
