【AAAI2023】基于时空自监督学习的交通流预测-CSDN博客

本文提出了一种名为ST-SSL的新型时空自监督学习框架，用于解决城市交通流量预测中的空间异质性和时间异质性问题。该框架利用自适应增强技术和辅助自监督任务，以更好地捕捉流量模式的空间和时间变化。实验结果显示，ST-SSL在多个基准数据集上超越了现有的流量预测方法。此框架对于处理具有时空异构性的实际数据集具有广泛的应用潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

来源：专知
本文为论文介绍，建议阅读5分钟
本文提出了一种新的时空自监督学习(ST-SSL)流量预测框架。

城市不同时段交通流量的鲁棒预测在智能交通系统中起着至关重要的作用。尽管已有工作在建模时空相关性方面做了大量工作，但现有方法仍然存在两个关键局限性:i)大多数模型都是集体预测所有区域的流量，没有考虑空间异质性，即不同区域可能存在交通流分布的倾斜。ii) 这些模型无法捕捉由时变交通模式引起的时间异质性，因为它们通常对所有时间段的共享参数空间的时间相关性进行建模。为了应对这些挑战，本文提出了一种新的时空自监督学习(ST-SSL)流量预测框架，通过辅助的自监督学习范式，增强了流量模式表示，以反映空间和时间的异质性。ST-SSL建立在一个集成模块上，具有时间和空间卷积，用于编码跨空间和时间的信息。为了实现自适应时空自监督学习，ST-SSL首先在属性和结构两个层次上对交通流图数据进行自适应增强。在增强的流量图之上，构建两个SSL辅助任务，以空间和时间异构感知增强来补充主要的流量预测任务。在四个基准数据集上的实验表明，ST-SSL的性能始终优于各种最新的基线。由于时空异构在实际数据集中广泛存在，所提出的框架也可以为其他时空应用提供启发。模型实现可以在https://github.com/Echo-Ji/ST-SSL上找到。