BriefGPT - AI 论文速递
·
STDA-Meta: Few-shot 交通预测的元学习框架
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该论文提出了DASTNet交通预测框架，可跨城市进行预测。使用图表示学习和对抗性领域适应技术，学习领域不变节点嵌入。在三个基准数据集上实验表明其优于所有最先进的基线方法。
🎯
关键要点
- 提出了一种新的可迁移交通预测框架 —— 域对抗时空网络（DASTNet）。
- DASTNet通过预先训练多个源网络并使用目标网络的流量数据进行微调，实现跨不同城市的交通预测。
- 使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入。
- 将领域不变节点嵌入融入模型中进行时空交通数据建模。
- 在三个基准数据集上的实验表明，DASTNet优于所有最先进的基线方法。
➡️
