【报告内容】

汇报人： 翁紫阳

汇报单位：河海大学

《Multivariate Traffic Demand Prediction via 2D Spectral Learning and Global Spatial Optimization》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

高频信息未被充分探索：现有深度学习模型虽能捕捉交通数据的时空特征，但对高频信息关注不足，难以准确反映瞬时变化和局部波动，影响预测精度。

空间相关性建模的局限性：现有方法建模空间相关性时忽视交通网络的全局结构，影响预测准确性。

2.相关创新方案

本文设计了一种新型嵌入式二维频谱学习框架。首先，通过精心设计的频谱嵌入函数对多元输入的低频与高频信号进行联合编码，该函数还能诱导出平移不变核以保持良好距离度量。其次，我们将时间变化和多元特征交互建模为频域中的两个有效维度：在时域和特征域同时应用二维傅里叶变换，继而通过傅里叶域表示学习提取更具本质性的交通预测模式。此外，现有方法在建模空间相关性时仅采用局部聚合或成对匹配机制，未能考虑交通网络的全局结构。我们提出将空间特征学习建模为最优传输问题，以全局优化城市范围内的空间相关性，从而提升交通预测的整体性能。

3.实验总结

本文提出了一种新颖的交通需求预测方法，以同时提升时间和空间特征的表达能力。

1）在时间建模方面，我们引入了嵌入式2D频谱学习框架，从频域探索交通数据的时序和多变量相关性。该框架包括两个设计模块：频谱嵌入函数（用于提取数据的高低频信息）和2D频谱学习模块（用于同时建模时间和多变量维度的交互）。

2）在空间建模方面，我们设计了一个基于最优传输的目标函数，用于对城市范围内的空间相关性进行全局优化，而不是单独计算成对相似性。

大量实验验证了各模块的有效性，我们的方法在两个基准数据集上都取得了最先进的预测性能。。

报告时间：2025年04月25日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)