KDDMay, 2022

跨城市知识迁移的时空图少样本学习

PDF
TL;DR针对数据稀缺的城市，在跨城市知识转移的基础上，提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL，用于从城市之间不规则的时空相似性中提高特征提取的质量，重构图结构以实现结构感知学习并提高交通速度预测的准确性。
spatio-temporal graph learningurban computingcross-city knowledge transferfew-shot learningtraffic speed prediction
发现论文，激发创造
  • STDA-Meta: Few-shot 交通预测的元学习框架

    基于领域适应的时空元知识传递的少样本交通预测方法，在数据稀缺的城市中取得了 7% 的性能改进。

    Oct, 2023

  • 城市地铁流量预测的时空动态图关系学习

    本研究提出了一种基于空间 - 时间动态图关系学习模型的城市地铁流量预测方法，在北京、上海、重庆和杭州的城市地铁数据上进行了大量实验，并在城市地铁流量预测中优于其他 11 种基线方法。

    Apr, 2022

  • 一个面向时空图传输学习的生成预训练框架

    我们提出了一种新颖的生成式预训练框架 GPDiff，用于解决智能城市应用中由于数据稀缺导致的空间 - 时间图 (STG) 学习问题。通过将 STG 迁移学习重新视为生成式超网络的预训练，我们的方法能够在多个真实数据集上显著优于现有方法，对于交通速度预测和人群流动预测等任务具有良好的适应性。

    Feb, 2024

  • 跨城市深度时空预测的迁移学习

    该研究提出了一种名为 RegionTrans 的跨城市转移学习方法，旨在解决城市计算中深度时空预测任务中数据匮乏的问题，并在人群流量预测实验中验证其有效性。

    Feb, 2018

  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019

  • 基于 Prompt 的时空图迁移学习

    提出了一个基于提示增强的跨时空图转移学习框架，适应数据稀缺领域中的多样任务，在三个下游任务预测、克里金插值和外推中明显优于现有基线方法。

    May, 2024

  • 带对抗对比适应的时空图学习

    该研究提出了一种名为 GraphST 的空间 - 时间图学习模型，采用新的自监督学习方法以及跨视图对比学习方法，提高了模型中多视图信息的利用和处理，使其在空间 - 时间预测任务方面表现出了卓越的性能。

    Jun, 2023

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 2023