.png){kind=icon}
返回
Efficient prompt learning for traffic forecasting
.png){kind=icon}
OA
AI
DOI：10.1007/s00778-026-00983-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确交通预测对于优化交通系统、提升资源分配和改善整体城市治理至关重要。时空图神经网络（GNNs）已实现最先进性能，并在各种时空预测场景中得到广泛应用。然而，这些预测方法通常泛化能力较弱，难以应对由时空动态引起的分布偏移。为解决此问题，我们提出了一种通过高效提示增强时空GNN泛化与适应能力的方法。具体而言，我们为时空GNN引入了一种轻量且模型无关的提示调优框架，命名为SimpleST。它通过固定模型参数，促进预训练时空GNN对新分布的适应。该提示机制降低了适应开销与复杂度，实现了预训练模型在分布外泛化中的高效利用。在五个真实城市时空数据集上进行的大量实验表明，本方法在预测精度和计算效率方面均具有优越性。
Keyword:
Efficient prompt learning
Traffic forecasting
Spatio-temporal GNNs
期刊
IF:
3.8
论文数:
83
被引数:
2.4K
机构
引用论文
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic ForecastingAst-gcn: 用于交通预测的属性增强时空图卷积网络IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel SemanticsOAAI
OAAI分享收藏
查看更多内容