声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：赖培源,李程,王增辉,王昌栋,廖德章,
关键词：图提示, 交通流量预测, 微调, 预训练模型, 自监督学习,
交通流量预测是建设智慧城市重要的基础功能，对城市的交通管理和用户出行规划具有重要意义.由于时间维度和空间维度的扩展，交通流量的数据具有规模大、增长快速、实时更新等特征，传统的训练模型通常需要将大量的历史数据进行训练预测，导致较长的计算时间和较高的算力成本，因此，如何使用低计算成本的预测模型来满足广泛的流量预测需求是重要的技术挑战.近年来兴起的提示微调范式在自然语言处理的下游任务推广中取得了较好的效果，受其启发，提出利用少量的实时数据来微调优化大规模历史数据预训练的模型，为交通流量模型预测的优化应用提出了一种新的思路.通过引入图提示微调的交通流量预测（trafficflowpredictionbasedongraphprompt-finetuning，TPGPF）模型的泛化能力，在时空多维度下的交通流量图预测模型中，基于历史数据集进行预测模型的预训练，并引入可学习的提示向量，在预训练模型固化的情况下指导预训练的自监督学习模型，以适应新的数据预测任务，提升交通流量预测模型的通用性和有效性.通过在5个公开数据集上进行了大量的实验，证明了TPGPF的有效性.
来源：2024年第8期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。