时空自监督学习用于交通流预测

在智能交通系统中，不同时间段的城市范围交通流量的稳健预测起着至关重要的作用。尽管先前的研究已经做出了巨大努力来建模时空相关性，但现有方法仍存在两个关键局限：i) 大多数模型对所有区域的流量进行集体预测，而没有考虑空间异质性，即不同区域可能具有偏斜的交通流量分布；ii) 这些模型未能捕捉由时间变化的交通模式引起的时序异质性，因为它们通常为所有时间段建模时序相关性时使用共享参数化的空间。为了应对这些挑战，我们提出了一种新颖的时空自监督学习（ST-SSL）交通预测框架，该框架通过辅助自监督学习范式增强了交通模式表示，使其能够反映空间和时间异质性。具体而言，我们的ST-SSL建立在一个集成了时间和空间卷积的模块之上，用于编码跨空间和时间的信息。为了实现自适应时空自监督学习，我们的ST-SSL首先在属性和结构层面对交通流量图数据进行自适应增强。在此增强后的交通图基础上，构建了两个自监督学习（SSL）辅助任务，以补充主交通预测任务，并引入对空间和时间异质性的感知增强。在四个基准数据集上的实验表明，ST-SSL始终优于各种最先进的基线方法。由于时空异质性在实际数据集中广泛存在，所提出的框架也可能为其他时空应用提供启示。模型实现代码已发布在 https://github.com/Echo-Ji/ST-SSL。