核心内容摘要
Qwen-Ranker Pro与QT框架的跨平台集成方案
本文提出MMDNet模型通过时空异质性元参数学习和多模式统一图生成两个核心模块解决多模式交通需求预测中的异质性和交互建模问题。
实验表明该模型在三个城市数据集上提升预测性能
65%并展现出强大的跨城市泛化能力为智能交通系统资源分配和韧性提升提供新思路。
准确联合预测多模式交通需求对资源分配和提升交通系统韧性至关重要。
现有方法未充分考虑模式间和模式内的异质性导致依赖关系提取不足且难以建模模式间的交互和动态关系。
本次为大家带来智能交通领域顶级期刊TITS 2025的文章《Leveraging Spatial–Temporal Heterogeneity and Cross-Mode Interactions: A Meta-Learning Approach for Multimodal Transportation Demand Prediction》。
背景城市多模式交通系统对于日常出行和城市运营至关重要。
随着出行需求增加整合多种交通模式以实现协同作用变得尤为重要。
准确的多模式需求预测能帮助通勤者选择最佳出行方式并帮助交通管理机构更好地协调交通资源。
早期研究主要集中于单一模式预测难以适应模式间的差异泛化能力差。
近年来研究转向联合建模多模式需求采用注意力机制、多任务学习和专家混合等方法虽然取得了一些进展但现有方法仍面临三大局限1现有方法未充分考虑模式间和模式内的显著异质性导致依赖提取不够精确。
2现有的跨模式交互建模方法大多集中于每一对模式的独立建模忽视了多个模式之间的集体交互导致预测不可靠。
3现有研究在跨城市泛化能力和可解释性分析方面存在不足虽然在单一城市数据集上表现优异但未验证在不同城市中的泛化能力。
为了这些问题本文提出了一个创新的元参数学习网络MMDNet。
该模型通过捕捉时空异质性并统一模式间交互提升了多模式需求预测的准确性。
模型包括两个核心模块时空异质性元参数学习模块和时空多模式统一图生成器。
前者捕捉模式间的差异与时空异质性后者通过生成动态统一图来捕捉多模式间的交互关系。
本文的研究贡献
总结如下1提出了一个创新的模型MMDNet通过构建专为多种交通模式设计的异质性建模框架推动了多模式需求预测的发展。
2通过捕捉模式间差异及模式特定的时空异质性时空异质性元参数学习方法引导了更精准的依赖学习显著提升了模型在异质性驱动下的预测性能。
3通过生成三种或更多交通模式的动态统一图时空演变统一图生成器突破了成对跨模式图的局限实现了交互的充分统一并捕捉了多模式需求中的动态关系。
4实验结果表明MMDNet在三个城市的数据集上提高了
65%的预测性能并展示了强大的跨城市泛化能力。
基础概念
1****交通站点/区域/聚类****定义了两类交通模式基于站点的交通模式如地铁、公交使用固定的物理站点作为空间单元而无固定站点的模式如出租车、打车、共享单车则使用区域或聚类。
2****交通需求交通需求指乘客或车辆的流量具体为乘客进出或车辆进入/离开某一基本空间单元的数量记作Xt。
3 多模式****交通系统多模式交通系统包括多种交通模式每个模式有不同的空间单元和需求向量。
方法
1****架构描述图1为MMDNet的架构包括三个核心模块。
历史多模式需求首先输入时空异质性元参数学习模块模块1和时空演变多模式统一图生成模块模块2。
模块1建模模式间差异与时空异质性模块2生成时间变化的多模式统一图统一模式间交互。
两个模块最终整合至时空关系提取模块模块3提取多模式交通异质性和动态的模式内外交互。
图1 MMDNet架构
2时空异质性元参数学习模块元参数学习通过扩展模型的原始参数空间捕捉模式间的差异并为每个模式分配独立的时空参数空间以便更好地学习每种模式的时空特征。
为提高效率采用时空异质性嵌入矩阵进行学习并通过共享基础元参数集θpool减少模型参数的数量从而有效捕捉多模式需求的时空异质性。
在此基础上模型包括以下关键步骤**1多模式交通时空异质性嵌入**为每个交通模式和时间周期分配学习的时空嵌入捕捉模式的时空异质性。
**2多模式交通属性注入**注入每种模式的时空异质性减少参数数量并高效提取特征。
**3多模式交通时空异质性学习**通过时空嵌入矩阵为多模式交通系统建模捕捉时空特征。
算法1 时空异质性元参数学习
3时空演变多模式统一图生成模块多模式交通系统表现出明显的模式内和跨模式异质性。
现有预测方法通常使用多图模型来捕捉模式内交互利用模式对图和模式间图表示每个模式之间的关系。
建模过程如下其中, 表示第个模式 的时空关系,Xm是模式m的需求依赖向量θm是可学习参数。
然而模式对图无法有效捕捉三个或更多模式之间的交互且模式内和跨模式图是时间不变的难以捕捉时变依赖。
图2 时空演变多模式统一图生成器示意图如图2所示基于出租车需求图模型的启发本文提出了时空演变多模式统一图生成模块。
该模块生成时间变化的统一图结合模式内和模式间图全面统一各模式的交互。
在生成过程中各模式的图同时协调生成充分融合多模式交通系统中的交互。
为降低多模式系统建模的计算开销仅学习可训练的元参数矩阵而非生成动态统一图。
通过时空嵌入矩阵生成候选统一图捕捉不同模式间的时空异质性具体过程如下1对每个时刻t选择时空元参数集中的第t时刻元参数向量并与周期性嵌入矩阵相乘生成时刻t的时空表示。
2将时空表示与候选统一邻接矩阵结合生成统一图作为各模式间独特关系的表示。
算法2 时空演变多模式统一图生成器
4时空关系提取模块该模块结合了动态建模的优势用于多模式统一图的时空异质性特征化的元参数学习。
**1模式内关系提取与异质性元参数学习**图卷积回归单元GCRU作为基础单元用于集成统一图和时空异质性元参数。
对于动态模式内关系的提取生成的模式内图与时空元参数一起被输入到GCRU中。
GCRU将时空图和时空元参数作为输入计算输出其中和为输入的时空图和时空元参数 为模式 m 的更新门。
2多模式交通时空异质性嵌入通过学习时空异质性嵌入矩阵来进一步增强多模式交通系统的时空异质性特征表示。
时空异质性嵌入通过图卷积神经网络GCN结合统一图来表示每个模式的时空特征。
**3多模式交通时空异质性学习**在建模模式间差异的同时还需考虑每种模式的内部异质性尤其是模式内部的时空异质性。
通过时空嵌入矩阵学习各模式的时空特征并通过图卷积与时空元参数进一步增强模式间的时空依赖关系。
**4损失函数**为优化模型性能使用混合的损失函数将Huber损失和平均绝对百分比误差MAPE结合起来以平衡两者的影响。
实验
1 实验细节**实验设置**所有实验均在Ubuntu
2
04操作系统上使用PyTorch
2.
0和Intel Xeon® Platinum 8255C CPU
50GHz和NVIDIA GeForce RTX 2080Ti GPU进行。
训练时使用Adam优化器批量大小分别为64NYC-Dataset和128BJ-Dataset。
学习率设置为
003损失参数为5NYC-Dataset15BJ-Dataset和3CHI-Dataset。
学习率衰减分别设置为
0NYC-Datasets和
00005BJ-Dataset。
总训练轮次为500次使用提前停止patience 20避免过拟合。
**数据集**实验使用三个真实世界的数据集纽约、北京、芝加哥来评估MMDNet涉及四种不同的交通模式。
前两个数据集验证模型的预测性能最后一个数据集作为补充数据集用于验证跨城市的泛化能力。
2 对比实验实验选择了六种比较方法Graph WaveNet(GWNet)集成了固定图和自适应图来提取关系。
AGCRN设计了自适应图并使用元参数学习捕捉交通流中的节点特定模式。
MVSTT设计了一个多维变换器用于学习交通流中的时空特征。
LPE-STGTN设计了一个演化图生成器用于捕捉出租车和打车需求中的动态时空关系。
HimNet使用元学习捕捉交通数据中的时空异质性。
M2-former捕捉多模式中的时空依赖性。
表1 纽约数据集NYC-Dataset上多模式需求预测的模型性能比较表2 北京数据集BJ-Dataset上多模式需求预测的模型性能比较MMDNet与基准模型在NYC-Dataset和BJ-Dataset上的比较性能如表1和表2所示报告了五次独立运行的平均结果和标准差。
单模式需求预测模型如AGCRN、GWNet、MVSTT和LPE-STGTN表现一般因为它们分别处理各交通模式的数据难以捕捉模式间的交互。
尽管M2-former专为多模式需求预测设计能够同时处理所有模式的需求但由于缺乏细粒度的模式特征其性能有所局限。
相比之下MMDNet在两个数据集上表现出色超越了所有竞争对手。
与其他模型不同MMDNet能够在多模式需求预测中实现优异且稳定的整体性能这得益于两个关键因素首先时空演变统一图生成器充分捕捉跨模式的动态交互解决了现有模型在建模三种或更多模式间交互时的局限性其次MMDNet能更精细地捕捉模式间和模式内的时空异质性超越了AGCRN和HimNet等元参数学习模型。
总体而言MMDNet在所有交通模式的评估指标上都取得了最佳结果整体多模式需求预测在两个城市的表现提升了
65%彰显了其在不同环境下的强大预测能力。
3 消融实验为了验证MMDNet模型的关键组件进行了一系列消融实验设计了两个变种进行对比MMDNet-Without Unified Graph Generator (V
采用基于距离的图来表示不同交通模式之间的关系取代了时空演变的多模式统一图。
MMDNet-Without Meta-Parameter Learning (V
去除了时空元参数改为使用普通的二维随机初始化参数。
表3 NYC-Dataset和BJ-Dataset上的消融分析实验表明V1在捕捉动态关系和跨模式交互时表现较差导致预测性能下降这验证了时空演变统一图生成器的重要性。
V2则在多模式需求预测中表现出显著的性能退化证明了仅通过提取跨模式交互而不考虑模式间异质性是不足以提升预测性能的。
这些结果证明了MMDNet在多模式交通需求预测中的关键作用。
4 计算成本分析表4 NYC-Dataset和BJ-Dataset上的效率比较如表4所示本文首先比较了所有模型在批量大小为64时的训练效率。
尽管LPE-STGTN在BJ-Dataset中对打车和共享单车数据有较高效率但在处理地铁数据时因节点数量较大无法在GPU上运行。
相比之下MMDNet在多模式交互建模上额外计算但其效率优于GWNet和MVSTT。
与AGCRN、HimNet等高效基准模型相比MMDNet的计算成本仍在可接受范围内。
图3 内存使用比较图3为进一步分析推理的内存使用情况展示了多模式预测性能与内存消耗之间的权衡。
MMDNet在每批数据的内存使用上表现优异同时保持较高准确性表明其在大数据处理时准确性和内存使用量之间达到了良好平衡。
总的来说MMDNet在保持合理效率的同时成功平衡了高准确性与低内存消耗。
5 泛化分析图4 不同城市交通模式的需求分布本节验证了模型在不同城市背景下的泛化能力。
使用CHI-Dataset作为补充数据集评估模型性能。
如图4所示CHI-Dataset与NYC/BJ数据集相比需求分布差异明显。
图5 CHI-Dataset上的模型性能比较与基准模型相比MMDNet在CHI-Dataset上表现优越尽管与HimNet的表现有一定重叠但误差和标准差较低展现了更高的准确性和稳健性。
这与NYC/BJ数据集上的结果一致验证了模型的广泛适用性。
MMDNet能够有效处理具有不同组织特征的交通模式包括地铁、出租车/打车和共享单车展示了卓越的预测能力和灵活适应性。
五
总结本文提出了一种创新的多模式需求预测模型MMDNet通过捕捉时空异质性并统一模式间交互显著提升了多模式交通需求预测的准确性。
MMDNet包含两个核心模块时空异质性元参数学习模块和时空多模式统一图生成器。
前者通过学习模式间的差异与时空异质性后者则通过生成动态统一图来捕捉多模式间的交互关系。
实验结果表明MMDNet在多个真实城市数据集上优于现有的基准模型。
未来的研究可以探讨将MMDNet扩展到更多城市系统并结合其他多模态数据进一步提高其在复杂城市环境中的预测能力和应用价值。
AI大模型从0到精通全套学习大礼包我在一线互联网企业工作十余年里指导过不少同行后辈。
帮助很多人得到了学习和成长。
只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。
大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享
从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点
AI大模型学习路线图还有视频解说全过程AI大模型学习路线
学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的
大模型面试题目详解
这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。
目前我正在和鲁博士共同进行人工智能的研究。
所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。
这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。
课堂上不光教理论还带着学员做了十多个真实项目。
学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】