.png){kind=icon}
返回
TEAM: Topological Evolution-aware Framework for Traffic Forecasting
.png){kind=icon}
PRE
AI
DOI：10.14778/3705829.3705844.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于全球城市化趋势，人们越来越多地迁往并居住在城市，导致城市持续扩张。交通预测在城市的智能交通系统以及时空数据挖掘中发挥着重要作用。当前先进的预测方法采用深度学习技术，因其能够处理复杂的时空动态特性。然而，现有方法假设输入为固定拓扑结构的道路网络和静态交通时间序列。这些假设与城市化进程不符，因为在城市化过程中，时间序列被持续收集，而道路网络随时间演变。在这种情况下，深度学习模型需要频繁地重新初始化和重新训练，导致高昂的计算成本。为在保证模型精度的前提下实现更高效的训练，我们提出了拓扑演化感知框架（TEAM），用于交通预测，该框架结合了卷积和注意力机制。这种机制组合能够更好地适应新收集的时间序列，同时保留旧时间序列的学习知识。TEAM采用基于Wasserstein距离的持续学习模块，作为缓冲器，能够识别最稳定和最易变的网络节点。随后，在模型整合时，仅使用与稳定节点相关的数据进行再训练。此外，仅使用新节点及其相邻节点数据以及与易变节点相关的数据来再训练模型。实证研究表明，与现有方法相比，TEAM在两个真实世界数据集上的再训练成本显著降低，且不影响预测精度。
Keyword:
TIME-SERIES
EFFICIENT
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
.png){kind=icon}
分享收藏
Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions典型和非典型交通条件下的短时交通流在线SVR预测
PREAI
分享收藏
查看更多内容