用于交通预测的开放时空基础模型

《ACM Transactions on Intelligent Systems and Technology》：Open Spatio-Temporal Foundation Models for Traffic Prediction

交通预测需解决时空异质性和分布偏移问题，OpenCity模型通过融合Transformer与图神经网络，在预训练后支持跨城市零样本泛化，实验验证其具有通用性和高精度。

　　

摘要

准确的交通预测对于有效的城市规划和交通管理至关重要，它能够实现资源的有效分配并提升出行体验。然而，现有的模型在泛化能力方面往往存在局限性，难以对未见过的地区和城市进行零样本预测，且长期预测的准确性也会下降。这主要是由于处理交通数据在空间和时间上的异质性所面临的固有挑战，再加上数据在时间和空间上的分布发生了显著变化。在这项工作中，我们旨在探索构建灵活、具有韧性和适应性的时空基础模型的新方法，以用于交通预测。我们提出了OpenCity这一基础模型，它能够从多种数据中捕捉到潜在的时空模式，从而实现跨城市环境的零样本泛化。OpenCity结合了Transformer和图神经网络来捕捉交通数据中的复杂时空依赖关系。通过在来自网络平台的大规模、异构交通数据上对OpenCity进行预训练，我们使该模型能够学习到丰富且可泛化的表示方法，这些方法可以无缝应用于各种交通预测场景。实验表明，OpenCity在零样本预测方面表现出色，并且具有良好的扩展性，这凸显了其作为通用交通预测解决方案的潜力，能够在新的城市环境中以最小的开销进行适配。源代码可在此处获取：https://github.com/HKUDS/OpenCity