.png){kind=icon}
返回
Cross-City Correlation Learning for Traffic Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1109/TITS.2025.3647158.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通预测在城市级应用中至关重要，其中数据驱动的深度学习已成为最流行的方法。然而，在发展中国城市中，充足的数据并非总能获取，这为在数据有限场景下训练有效模型带来了挑战。近期，一些研究通过跨城市知识迁移解决了这一问题，并展示了有前景的性能。然而，现有方法既无法区分节点发散性，也难以提取城市间的功能相似性，导致性能欠佳。为克服这些局限，我们提出了一个跨城市相关性学习（CCL）框架。首先，我们构建一个自监督学习模型，无需任何辅助信息，即可从多个噪声标签中推断准确的节点间及节点到区域的跨城市相关性。然后，我们基于学习到的相关性，通过一个基于迁移自适应图卷积网络实现空间知识迁移：从可学习的邻接矩阵和区域特定核参数两方面实现，这确保目标模型能更有效地迁移并更好地利用源域知识。实验在六个真实数据集上进行，充分证明了所提出框架的有效性。
Keyword:
Traffic forecasting
spatial-temporal graph data
graph convolution network
few-shot learning
cross-city transfer
期刊
IF:
8.4
论文数:
9.5K
被引数:
6.3W
机构
引用论文
Hierarchical Spatio-Temporal Graph Convolutional Networks and Transformer Network for Traffic Flow Forecasting用于交通流预测的层次时空图卷积网络和变压器网络
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架
OAAI
OAAI分享收藏
查看更多内容