ICML 2024 | FlashST：一个简洁有效新范式，助力智慧城市时空预测

文章预览

点击 名片 关注并星标 #TSer # 扫下方二维码 ，加入时序人学术星球 参与算法讨论，获取前沿资料 （ 210+ 篇专栏笔记，已有 20 0 + 同学加入学习） 交通预测旨在准确预测城市未来的交通流动模式，需要同时考虑时间与空间维度。但是，分布偏移现象是该领域的一个主要难题，因为现有模型在遇到与训练数据分布差异显著的测试数据时，往往难以实现有效的泛化。 为应对这一挑战， 本文提出了一个简洁而通用的时空提示调整机制——FlashST ，该机制旨在使预训练模型能够适应不同下游数据集的特定属性，从而提升其在多样化预测场景中的泛化性能。 具体而言， FlashST 框架通过一个轻量化的时空提示网络进行上下文信息的学习和提取，捕捉到时空中的恒定规律，并能够灵活适应各种不同的场景 。此外，本研究还引入了一种分布映射技术，用以调整预 ………………………………