基于 7 大城市实景数据，清华大学团队开源 GPD 模型
内容提要
清华大学提出了GPD模型，利用扩散模型生成神经网络参数，实现时空少样本学习。GPD在人群流动和交通速度预测任务中表现出色，平均提高了7.87%。该模型适配性强，可与不同时空预测模型结合使用。
延伸解读
扩散模型为何能用于参数生成
GPD 将扩散模型从图像生成领域迁移到神经网络参数生成，核心在于把参数优化视为去噪过程。扩散模型通过逐步去噪从噪声中恢复参数，这与从随机初始化开始优化网络参数的过程相似。因此，预训练扩散模型可以学习源城市中参数优化的知识，再根据目标城市的提示生成适配参数，实现知识迁移。
区域提示的设计与灵活性
GPD 使用区域提示来引导参数生成，提示可灵活选择能捕捉区域特征的静态信息，如人口、面积、功能及兴趣点分布。空间提示来自城市知识图谱的节点表征，仅依赖区域邻接性和功能相似性等易获取关系；时间提示来自自监督学习模型的编码器。这种设计降低了对复杂匹配的依赖，增强了跨城市泛化能力。
少样本场景下的性能提升
在人群流动和交通速度预测任务中，GPD 在数据稀缺场景下平均性能提升 7.87%。具体到数据集，华盛顿特区、巴尔的摩、洛杉矶和成都的 MAE 分别降低 4.31%、17.1%、2.1% 和 8.17%。这表明，仅用少量目标城市数据（如 3 天）即可生成有效预测模型，而传统方法通常需要数月数据。
框架适配性与实际意义
GPD 框架不依赖特定时空预测模型，实验验证了其与 STGCN、GWN 和 STID 等模型结合均能保持优越性。这种适配性意味着城市可根据自身需求选择基础模型，利用 GPD 进行少样本迁移。随着时空数据采集能力提升和少样本学习方法迭代，该技术有望降低智慧城市中数据稀缺区域的建模门槛。
Q&A
GPD模型的主要功能是什么？
GPD模型主要用于时空少样本学习，特别在人群流动和交通速度预测任务中表现出色。
GPD模型是如何提高预测性能的？
GPD模型通过预训练和提示微调，利用源城市的数据生成适应目标城市的神经网络参数，从而提高预测性能，平均提升7.87%。
GPD模型的适配性如何？
GPD框架适配性强，可以与不同时空预测模型结合使用，验证了其灵活性。
GPD模型的研究成果在哪些数据集上进行验证？
GPD模型在纽约市、华盛顿特区、巴尔的摩、洛杉矶和成都等多个真实世界数据集上进行了验证。
GPD模型的研究背景是什么？
GPD模型旨在解决城市计算中普遍存在的数据稀缺性问题，利用扩散模型生成神经网络参数以实现知识迁移。
时空数据在智慧城市建设中的重要性是什么？
时空数据是智慧城市建设的重要基础，记录事件在时间和空间维度上的变化，支持城市治理和资源管理。
