Semantic-Fused Multi-Granularity Cross-City Traffic Prediction

要約

効果的な都市管理と輸送効率の向上には、正確な交通予測が不可欠です。
最近では、データ駆動型の交通予測方法が広く採用されており、従来のアプローチよりも優れたパフォーマンスが得られます。
ただし、効果的なトレーニングには大量のデータが必要になることが多く、センシング インフラストラクチャが不十分な地域ではデータ不足が蔓延しているため、これは困難になります。
この問題に対処するために、異なる粒度で融合されたセマンティクスを使用して都市間の知識伝達を実現する、セマンティック融合多粒度転移学習 (SFMGTL) モデルを提案します。
詳細には、再構築損失を通じて静的な空間依存性を保存しながら、さまざまなセマンティクスを融合するセマンティクス融合モジュールを設計します。
次に、グラフ構造学習を通じてノード特徴に基づいて融合グラフを構築します。
その後、階層型ノード クラスタリングを実装して、さまざまな粒度のグラフを生成します。
実現可能なメタ知識を抽出するために、さらに共通記憶と個人記憶を導入し、敵対的トレーニングを通じてドメイン不変の特徴を取得します。
私たちの研究が転移学習における意味融合と多粒度の問題に共同で取り組んでいることは注目に値します。
私たちは 6 つの現実世界のデータセットで広範な実験を実施し、他の最先端のベースラインと比較することで SFMGTL モデルの有効性を検証します。
その後、アブレーションとケーススタディも実行し、ベースライン モデルと比較してモデルのパラメーターが大幅に少ないことを実証します。
さらに、モデルが特にピーク時の需要を正確に予測する際に、知識の伝達がどのように役立つかを説明します。
コードは https://github.com/zeonchen/SFMGTL にあります。

要約(オリジナル)

Accurate traffic prediction is essential for effective urban management and the improvement of transportation efficiency. Recently, data-driven traffic prediction methods have been widely adopted, with better performance than traditional approaches. However, they often require large amounts of data for effective training, which becomes challenging given the prevalence of data scarcity in regions with inadequate sensing infrastructures. To address this issue, we propose a Semantic-Fused Multi-Granularity Transfer Learning (SFMGTL) model to achieve knowledge transfer across cities with fused semantics at different granularities. In detail, we design a semantic fusion module to fuse various semantics while conserving static spatial dependencies via reconstruction losses. Then, a fused graph is constructed based on node features through graph structure learning. Afterwards, we implement hierarchical node clustering to generate graphs with different granularity. To extract feasible meta-knowledge, we further introduce common and private memories and obtain domain-invariant features via adversarial training. It is worth noting that our work jointly addresses semantic fusion and multi-granularity issues in transfer learning. We conduct extensive experiments on six real-world datasets to verify the effectiveness of our SFMGTL model by comparing it with other state-of-the-art baselines. Afterwards, we also perform ablation and case studies, demonstrating that our model possesses substantially fewer parameters compared to baseline models. Moreover, we illustrate how knowledge transfer aids the model in accurately predicting demands, especially during peak hours. The codes can be found at https://github.com/zeonchen/SFMGTL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google