A transferable framework for cross-city forecasting via invariant structural knowledge learning

doi:10.1016/j.engappai.2025.113161

A transferable framework for cross-city forecasting via invariant structural knowledge learning

2025-11-18

0

PRE

AI

DOI：10.1016/j.engappai.2025.113161

原文链接

原文求助

摘要

En 中文

跨城市预测是智能交通系统中可持续发展的关键驱动力，支持在不完整传感基础设施的城市中提供实时预测服务。现有研究主要关注通过异构传感器分布提升模型跨城市泛化能力。然而，我们观察到这些传感器布局尽管在城市间存在地理差异，却表现出与结构相关的恒定映射，这本质上有利于迁移学习。我们通过改进特征初始化和模型设计来捕捉此类恒定映射：1）从特征角度，我们利用改进的图结构推导出的相对结构信息初始化特征，以缓解跨城市结构差异；2）从训练角度，我们通过跨城市相关性更新这些特征，并通过对比跨城市节点异质性来增强可迁移性。具体而言，我们提出了一种可迁移的结构化知识网络（TSKNET）用于跨城市交通预测。TSKNET通过指数衰减将虚拟节点插入预定义图中，并利用相对最短路径初始化特征至真实节点。我们通过跨城市节点相关性将特征更新为恒定嵌入，并迭代对比跨城市嵌入，通过节点自适应权重量化跨城市异质性。最后，加权嵌入通过特征判别器编码为可迁移知识。我们在四个真实交通数据集（PEMS04、PEMS07、PEMS08和Los-loop）上部署TSKNET。大量实验表明，TSKNET比竞争基线模型提升6.02%–6.79%，并增强了结构恒定性学习的可解释性。

A transferable framework for cross-city forecasting via invariant structural knowledge learning

摘要

期刊

机构

引用论文