Raum-Zeitliches Selbstüberwachtes Lernen zur Verkehrsflussvorhersage

Eine robuste Vorhersage von Stadtweiten Verkehrsflüssen in verschiedenen Zeitperioden spielt eine entscheidende Rolle in intelligenten Verkehrssystemen. Während frühere Arbeiten große Anstrengungen unternommen haben, räumlich-zeitliche Korrelationen zu modellieren, leiden die bestehenden Methoden noch unter zwei wesentlichen Einschränkungen: i) Die meisten Modelle prognostizieren die Flüsse aller Regionen gemeinsam, ohne Räumliche Heterogenität zu berücksichtigen, d.h., verschiedene Regionen können unterschiedliche Verkehrsflussverteilungen aufweisen. ii) Diese Modelle sind nicht in der Lage, die zeitliche Heterogenität zu erfassen, die durch zeitvariierende Verkehrsmuster verursacht wird, da sie in der Regel zeitliche Korrelationen mit einem gemeinsamen parametrisierten Raum für alle Zeitperioden modellieren. Um diese Herausforderungen zu bewältigen, schlagen wir einen neuen Rahmen zur räumlich-zeitlichen selbstüberwachten Lernmethode (Spatio-Temporal Self-Supervised Learning, ST-SSL) vor, der die Darstellungen von Verkehrsmustern verbessert und sowohl räumliche als auch zeitliche Heterogenität widerspiegelt. Insbesondere basiert unser ST-SSL auf einem integrierten Modul mit temporaler und räumlicher Faltung zur Kodierung von Informationen im Raum und in der Zeit. Um das adaptive räumlich-zeitliche Selbst-Lernen zu erreichen, führt unser ST-SSL zunächst eine adaptive Erweiterung über die Verkehrsflussgraphdaten auf Attribut- und Struktur-Ebene durch. Auf diesen erweiterten Verkehrsgraphdaten werden zwei SSL-Nebenaufgaben konstruiert, um die Hauptaufgabe der Verkehrsprognose mit einer räumlich-zeitlich heterogenitätsbewussten Erweiterung zu ergänzen. Experimente anhand vier Benchmark-Datensätze zeigen, dass ST-SSL konsistent bessere Ergebnisse als verschiedene state-of-the-art-Baselines erzielt. Da räumlich-zeitliche Heterogenität in praktischen Datensätzen weit verbreitet ist, könnte das vorgeschlagene Framework auch andere raum-zeitliche Anwendungen erleuchten. Die Implementierung des Modells ist unter https://github.com/Echo-Ji/ST-SSL verfügbar.