Domain Adversarial Spatial-Temporal Network:A Transferable Framework for Short-term Traffic Forecas

Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting

准确的实时交通预测是智能交通系统(ITS)的关键，是各种智能移动应用的基石。尽管该研究领域以深度学习为主，但最近的研究表明，通过开发新的模型结构来提高精度的效果正在变得边缘化。相反，我们设想可以通过在具有不同数据分布和网络拓扑的城市之间迁移"预测相关知识"来实现这种改进。为此，提出一种新颖的可迁移流量预测框架:域对抗时空网络(Domain Adversarial Spatial-Temporal Network, DastNet)。DastNet在多个源网络上进行预训练，并利用目标网络的流量数据进行微调。利用图表示学习和对抗性域适应技术来学习域不变的节点嵌入，进一步将其纳入对时序流量数据的建模。本文首次将对抗性多域自适应应用于全网络流量预测问题。DastNet在三个基准数据集上始终优于所有最先进的基线方法。经过训练的DastNet被应用于香港的新交通检测器，获得准确的交通 

 

 本文提出域对抗时空网络(domain adversarial spatial-temporal network, DastNet)来解决可迁移流量预测问题。如图3所示，DastNet的训练分为两个阶段，我们在图中使用两个源域进行说明。首先，在不揭示目标域标签的情况下，依次对所有源域进行预训练。然后，在目标域上对模型进行微调。我们将详细解释预训练阶段和微调阶段，

Stage 1: Pre-training on Source Domains

Stage 2: Fine-tuning on the Target Domain