摘要
精准的时空交通流预测在辅助交通管理者实施调控措施以及帮助驾驶员选择最优出行路径方面具有重要意义。传统的基于深度学习的交通流预测方法通常依赖历史数据训练模型，随后利用训练好的模型对未来数据进行预测。然而，由于历史数据与未来数据之间存在时间漂移（temporal drift），模型的预测性能往往会显著下降。为使基于历史数据训练的模型能够以完全在线的方式更好地适应未来数据，本文首次针对时空交通流预测问题开展了在线测试时自适应（online test-time adaptation）技术的研究。为此，本文提出一种基于序列分解的自适应双重校正方法（Adaptive Double Correction by Series Decomposition, ADCSD）。该方法首先将训练好的模型输出分解为季节性成分与趋势-周期性成分，随后在测试阶段，利用最新的观测数据逐条输入，通过两个独立的校正模块对这两部分进行动态修正。在ADCSD方法中，不同于在测试阶段对整个预训练模型进行微调，本文在预训练模型之后引入一个轻量级网络，仅对这一轻量级网络进行微调，且每当一条新数据被观测到时，即执行一次微调操作，从而实现高效、低开销的在线适应。此外，为应对不同时间序列变量可能具有不同程度的时间漂移问题，本文引入两个自适应向量，为不同时间序列变量分配不同的权重，以实现更灵活、个性化的校正机制。在四个真实世界交通流预测数据集上的大量实验结果表明，所提出的ADCSD方法在多种场景下均显著优于现有方法，具有优异的预测性能和鲁棒性。相关代码已开源，地址为：https://github.com/Pengxin-Guo/ADCSD。