2025-Cross City Traffic Flow Generation via Retrieval Augmented Diffusion Model


一座没有历史流量的城市,网格上的进出量还能生成吗?

论文名片|Yudong Li、Jingyuan Wang、Xie Yu、Peiyu Wang、Qian Huang,Cross City Traffic Flow Generation via Retrieval Augmented Diffusion Model,39th Conference on Neural Information Processing Systems(NeurIPS 2025)。通讯作者为 Jingyuan Wang。代码与数据入口:github.com/lyd1881310/CRAFT。

可以想象一位分析人员手里有地图、兴趣点和人口,却没有这座城市过去一年的单车计数。单看某一座城市,地理条件接近的街区往往有接近的日内流量曲线,于是容易把另一座城市里“看起来像”的街区整段借过来。这篇论文要检查的是:这种对应一到跨城市还在不在;若已经散掉,只用源城市的历史流量,能不能仍为没见过流量的目标城市生成每个网格的流入和流出。

实验是芝加哥、华盛顿特区、多伦多、纽约的共享单车,每次留出一座城市。模型名叫 CRAFT,全称 Cross-city Retrieval-Augmented traffic Flow generaTion,一个带地理表示对齐的检索增强扩散模型。在默认的 24 小时窗口上,它在表 1 的 24 个评价格子里都优于 8 个基线。生成对象是归一化之后的区域进出量。目标城市的地图参加了对齐训练,历史流量没有参加。作者写明,起讫矩阵还没有做。

先说结论

  • 留一城市的零样本设定下,CRAFT 在 4 座城市、流入与流出、CPC、NMAE、NRMSE 共 24 格上都最好。相对 8 个基线的平均水平,这 24 格的平均相对改进为 59.7%;相对综合第二名 GMEL 为 22.5%;相对普通 DDPM 为 61.5%。
  • 消融里,去掉地理对齐的损失最大。条件里的日历嵌入贡献大于检索来的流量序列,检索序列本身仍然稳定地有帮助。
  • 用生成数据训练 LSTM 和 Transformer 做流量预测,CRAFT 相对真实流量训练的平均误差升幅为 10.4%。32 个 MAE、RMSE 格子里,最小约 3.8%,最大约 22.2%。相对 8 个基线生成数据的平均误差,CRAFT 低 55.9%;相对 DDPM 低 14.9%。
  • 窗口从 24 小时加到 168 小时后,多伦多流入的 CPC 仍在 0.800 以上,芝加哥流入在 T=168 降到 0.645。优势还在,但长窗口的难度并不对每座城市一样。
  • 表 1 报的是可调参数范围内的最好结果,没有误差棒。评价用的是归一化流量按区域、月份、星期和小时分组后的均值。

地理特征相近,流量曲线为什么对不上?

单城经验是:兴趣点、道路和人口接近的区域,流量的周期和趋势也接近。跨城市之后,作者认为两件事同时挡住直接迁移。一是域偏移(domain shift):表示空间里挨着的区域,流量行为可以差很远。二是条件不够:静态地理能提供周期和趋势的线索,给不出均值、峰值和方差这些幅度;幅度本来来自历史流量,目标城市恰恰没有自己的历史流量。

这里的生成也不同于预测。预测用目标城市自己的历史流量推未来。CRAFT 在源城市上学参数,到目标城市时只拿区域图和地理特征,直接生成流量。

完整原论文图1

图 1|地理特征接近的区域,跨城市后还共享流量形态吗?

(a)芝加哥与多伦多。地图上的方框是示例区域,下方统计兴趣点、道路和人口,并画出一天内的流量曲线。两座城市内部,地理统计接近的区域可以出现相近的日内形状。(b)散点用颜色区分华盛顿特区和纽约,位置表示地理特征;右侧直方图是被圈出区域的流量分布。特征接近的点,流量分布可以明显不同。来源:原论文 Fig. 1。

图 1 是动机示意图,没有给出跨城市相关系数。它支持“不能把单城对应直接搬到另一座城市”,不支持已经量化域偏移有多大。后面的模型就是对着这两件事做的:地理特征对齐处理表示对不齐,检索增强把源城市的动态幅度补进条件。

这里的流量,是网格每小时进出了多少车

四座城市的原始记录都是共享单车出行,含起终点经纬度与时间戳。作者把每座城市手工分成互不重叠的矩形网格,再数每个网格每小时进入和离开的自行车数,得到流入和流出。分析单位是网格—小时,是区域合计,实验没有输出某一次出行或某辆车的路径。

城市 出行次数 时间 网格数 兴趣点数
芝加哥 5,136×10³ 2023.01–2023.12 73 17,205
华盛顿特区 4,011×10³ 2023.01–2023.12 82 14,070
多伦多 2,395×10³ 2020.01–2020.12 61 20,621
纽约 35,080×10³ 2023.01–2023.12 96 50,776

次数来自表 4 的千次单位:纽约 35,080×10³ 等于 3,508 万次出行,多伦多是 239.5 万次。单位分别是出行次数、网格和兴趣点。多伦多是 2020 年,其余三座是 2023 年,留一实验同时换了城市,也换了年份。

地理特征有三类,都是网格上的合计。兴趣点用 TF-IDF,把类别当词、网格内的兴趣点当文档、整座城市当语料,因此逆文档频率是在每座城市内部算的。道路特征是各类道路长度之和。人口来自 WorldPop 经联合国调整的 100 米人口,再汇总到手工网格,并使用人口数量和密度。三部分拼接后经过多层感知机,再送进图 Transformer。区域图的边只表示网格是否相邻。

原始计数很稀疏。作者用线性插值填补中间缺失,再用长度为 3 的滑动平均平滑,然后用长度 T 的窗口切样本。某个样本里缺失仍超过 5% 就丢掉。论文没有报告丢掉了多少窗口。实验里的流量都做了归一化,指标也在归一化值上计算,读不出“生成了多少辆车”。

默认 T=24,也就是从某个时刻起的 24 小时流入或流出。评价有三项。共同部分 CPC 等于两倍的逐点较小值之和,除以生成值之和加真实值之和,越高越好。NMAE 是平均绝对误差除以真实值的最大值减最小值,NRMSE 把平均绝对误差换成均方根误差,再用同一个极差做分母,两者越低越好。为了稳定,作者按目标城市测试样本的网格、月份、星期和小时分组,比较的是组内平均。组数 M 没有报告。因此表里的 0.785 表示分组后的归一化均值有多重叠。

协议是四折留一:一座城市当目标,另外三座当源城市。模型只在源城市的流量上训练,到目标城市做零样本生成,流入和流出分开评。基线是 GMEL、DFG、KSTDiff、CGAN、Diffwave、DiT、DDPM、CVAE。GMEL 和 DFG 属于用地理特征直接估计流量的静态模型,其余是生成模型。引力模型和辐射模型出现在相关工作里,没有进入这张表。清单写明,表中是各方法在可调参数范围内的最好结果,没有误差棒或多种子均值。

先把区域表示拉齐,再按日历检索源城市的流量

目标城市在训练阶段提供的是地理特征。地理对齐会同时看到源城市和目标城市的网格;流量对齐只用源城市的流量。零样本指目标城市没有历史流量标签。目标城市的地图在对齐预训练时已经使用。

完整原论文图2

图 2|没有目标城市历史流量时,生成条件从哪里来?

(A)地理特征对齐。源城市和目标城市的兴趣点、道路、人口进入空间编码器;流量对齐比较源城市区域之间的表示距离和平均流量距离,跨城市对齐用最优传输拉近两边的表示。(B)检索增强。按月份、星期、小时和表示相似度,从源城市流量里取出序列,平均后交给时间编码器,再与目标区域表示、时间嵌入合成条件。(C)条件扩散。训练时对源城市流量加噪并用一维 U-Net 预测噪声;推理时从随机噪声出发,在同一条件上去噪,得到目标网格的流量序列。来源:原论文 Fig. 2。

流量对齐只在源城市的网格对上计算。每个网格先取时间上的平均流量。表示距离和平均流量距离分别做最小–最大归一化,损失是二者之差的平方,再对全部源网格对平均,分母是源网格数的平方。它要求表示差得远的网格,平均流量也差得远。

跨城市对齐没有人工标注的“这个网格对应那个网格”。作者把两边的区域表示看成两堆质量相等的点,用网络单纯形求最优传输,损失是传输方案与欧氏距离矩阵的乘积,也就是 Wasserstein 距离。每个网格权重相同,总权重为 1。它度量并压缩两座城市表示分布的差距,不证明某一对网格在功能上真的相同。

检索补的是幅度。对目标网格和指定的开始时刻,源城市流量先切成长度 T 的片段,再同时满足两道筛选:开始时刻的月份、星期、小时一致,区域表示与目标网格相近。取最接近的 K 条,K 的推荐值是 5,先平均,再用一层自注意力抽出形态。时间嵌入把一年中的月份(1–12)、一周中的天(1–7)和一天中的小时(1–24)分别嵌入后拼接。最后把对齐后的地理表示、检索结果和时间嵌入接在一起,映射成扩散条件。

扩散骨干是 DDPM,噪声步数 500,β 从 0.0002 线性增到 0.04。训练用源城市样本加高斯噪声,一维 U-Net 预测噪声,损失是均方误差。推理从标准正态噪声出发,按条件逐步去噪。表 3 的推荐设置还有:图 Transformer 3 层、4 个注意力头,时间编码器 2 层,地理表示 128 维,检索序列隐藏维 256,三种时间嵌入各 64 维,条件向量 256 维,批大小 256,学习率 5×10⁻⁶,训练 300 轮,优化器 AdamW,扩散参数用指数滑动平均。这些是推荐值。全部模型在一块 NVIDIA RTX 3090 上训练,机器为 Ubuntu 20.04.6、24 核 Xeon Silver、503 GB 内存,单个数据集的训练时间不超过 16 小时。

条件里的检索序列来自源城市的区域合计流量,按网格表示和时间槽匹配。这一步使用的是已经加总的进出序列,论文没有把检索写成对个人行程的追踪。

留出一座城市时,24 个格子分别差多少?

下表只摘 CPC,以及 CRAFT 自己的 NMAE 和 NRMSE。8 个 CPC 上,第二名都是 GMEL。CRAFT 的 NMAE、NRMSE 在全部 24 格里也是最低。普通 DDPM 使用同类扩散骨干,但条件没有这套对齐和检索。

目标城市 流向 CRAFT 的 CPC GMEL 的 CPC DDPM 的 CPC CRAFT 的 NMAE CRAFT 的 NRMSE
芝加哥 流入 0.785 0.730 0.415 0.140 0.216
芝加哥 流出 0.786 0.725 0.416 0.140 0.216
华盛顿特区 流入 0.815 0.741 0.346 0.158 0.240
华盛顿特区 流出 0.816 0.716 0.351 0.159 0.240
多伦多 流入 0.804 0.735 0.592 0.178 0.267
多伦多 流出 0.804 0.744 0.595 0.179 0.268
纽约 流入 0.782 0.585 0.523 0.103 0.170
纽约 流出 0.786 0.672 0.525 0.102 0.165

CPC 的差距并不均匀。纽约流入上,CRAFT 比 GMEL 高 0.197;芝加哥流入只高 0.055。基线的下限也很低:KSTDiff 在芝加哥流入和多伦多流入的 CPC 都是 0.006,几乎没有重叠。若把相对每个基线的百分比直接平均,接近 0 的 CPC 会把百分比撑得很大。正文的 59.7% 来自下面这种先平均基线、再比较的算法。

正文没有写出 59.7%、22.5%、61.5% 的分子分母。按表 1 的 24 格复算,可以和这三个数对齐:每一格先取 8 个基线的平均值,CPC 的相对改进是(CRAFT − 基线均值)/ 基线均值,NMAE 和 NRMSE 是(基线均值 − CRAFT)/ 基线均值,24 格再平均,得到约 59.7%。22.5% 和 61.5% 用同一套 24 格,分母分别换成 GMEL 和 DDPM。综合第二名是 GMEL,并不等于每个误差格的第二名都是 GMEL。纽约流入的 NMAE 上,DFG 为 0.182,GMEL 为 0.310,CRAFT 为 0.103。CPC 高和误差低是两件相关但不相同的事。

用生成数据训练预测,离真实流量还有多远?

作者再用各方法生成的流量训练 LSTM 和 Transformer,在真实流量上测试,并与直接用目标城市真实流量训练的同一模型比较。表 2 的数仍是归一化流量上的 MAE 和 RMSE。附录说明,延长窗口的效用实验用前一半序列预测后一半;正文表 2 没有单独重写这个切分。

32 个格子是 2 个预测模型 × 4 座城市 × 流入流出 × MAE 与 RMSE。CRAFT 相对真实数据训练的升幅,按(CRAFT 误差 − 真实数据误差)/ 真实数据误差平均,约为 10.4%。最小一格是 LSTM、纽约、流出、RMSE:0.110 对真实数据的 0.106,差 0.004,除以 0.106 约为 3.8%。最大一格是 Transformer、华盛顿特区、流入、MAE:0.116 对 0.095,差 0.021,除以 0.095 约为 22.1%,正文写最大降幅 22.2%,与显示到三位小数后的复算差在舍入。

同一 32 格上,先把 8 个基线的误差平均,再算(基线均值 − CRAFT)/ 基线均值,平均为 55.9%。只和 DDPM 比,平均低 14.9%。例如 LSTM、芝加哥、流入、MAE:真实数据 0.102,DDPM 0.117,CRAFT 0.109。CRAFT 更接近真实数据训练,仍然高于它。生成数据上的预测误差变小,说明合成序列保留了对这个下游任务有用的结构,不能因此说网格上的真实计数已经被逐小时还原。

去掉对齐之后,掉下去的是哪一项?

消融有三档。去掉对齐:不再做地理特征对齐,直接用目标网格的原始地理特征去检索和生成。去掉检索:从条件里拿掉检索序列。去掉时间嵌入:从条件里拿掉月份、星期和小时。后两档都属于检索条件这一支。

完整原论文图3

图 3|对齐、时间嵌入和检索序列,各自撑起多少性能?

(a、d)流入与流出的 CPC,越高越好。(b、e)NMAE,(c、f)NRMSE,越低越好。四座城市并排。上排与下排的图例配色不同,同一条件按各图自己的图例认。纵轴没有从 0 起,CPC 从 0.4 附近起,误差从 0.1 附近起,柱高差会被放大。去掉对齐后,CPC 下降最明显,误差也整体变大。只去掉检索序列时,完整模型仍然更好,差距通常小于去掉时间嵌入。图上没有标出每根柱的数字,所以上面只采用正文对方向的概括。来源:原论文 Fig. 3。

正文的读法与图一致:对齐带来的改进最大,说明跨城市时表示偏移是主要障碍;在检索条件内部,日历嵌入的贡献大于检索序列,检索序列仍然稳定加分。图 3 是方向证据。它没有给出“对齐贡献了百分之几”这种可以脱离柱高单独核对的数。

对齐内部还有流量对齐和跨城市对齐。图 4 把纽约作为目标城市,用 t-SNE 看网格表示。t-SNE 只保留邻域关系,轴没有地理单位。

完整原论文图4

图 4|流量对齐和跨城市对齐,分别改变了表示空间的哪一种结构?

(a)两种对齐都打开,(b)只做跨城市对齐。颜色是归一化对数流量。(a)里高低流量沿表示空间分开得更清楚,(b)里高低流量混在一起。(c)两种对齐都打开,(d)只做流量对齐。蓝色是源城市,橙色是纽约。(c)里两边重叠更多,(d)里纽约有一支点远离源城市的主云团。来源:原论文 Fig. 4。

图 4 支持两个互补作用:流量对齐让表示距离跟着流量大小走,跨城市对齐减轻目标城市表示整体偏出源城市。它不证明某个纽约网格找到了唯一正确的芝加哥对应网格。四座城市都当过目标的版本在图 12。

完整原论文图12

图 12|纽约图里的对齐现象,换目标城市还在吗?

(a、e、i、m)芝加哥、华盛顿特区、多伦多、纽约在两种对齐同时打开时的流量着色;(b、f、j、n)只做跨城市对齐。(c、g、k、o)两种对齐同时打开时的源城市与目标城市着色;(d、h、l、p)只做流量对齐。附录的读法是:两种损失一起用时,高低流量分得开;没有流量对齐时,不同城市容易分成几团,团内高低流量混杂;没有跨城市对齐时,目标城市有一部分表示离开源城市的集中区域。各城的点云形状并不相同,不能把纽约的那一支橙点当成四座城市的共同几何。来源:原论文 Fig. 12。

参数稍微一变,排名会不会翻?

敏感性看三件套:序列编码器层数 1 到 4,时间嵌入维度 64、128、192、256,地理表示维度同样四档。默认分别是 2 层、每种时间嵌入 64 维、地理表示 128 维。正文说最大性能波动为 8.8%,图上没有逐点标出这个百分比。

完整原论文图6

图 6|层数和维度变化时,流入生成还稳吗?

(a、d)编码器层数,(b、e)时间嵌入维度,(c、f)地理表示维度。上排是 NRMSE,下排是 CPC。四条线是四座城市。纵轴都截掉了 0 以下的大段空白,小起伏看起来更陡。四座城市的相对高低基本保持,没有出现换一个维度就排名颠倒的情况。来源:原论文 Fig. 6。

图 8 到图 10 把同一组超参数补到流入、流出和三项指标。纵轴同样不从 0 起。

完整原论文图8

图 8|编码器层数从 1 改到 4,流入和流出是否一起稳?

(a、b、c)流入的 CPC、NMAE、NRMSE,(d、e、f)流出的三项。层数变化下各城曲线较平。多伦多的 NRMSE 最高,纽约的 NRMSE 最低,这个城市顺序没有因层数反转。来源:原论文 Fig. 8。

完整原论文图9

图 9|时间嵌入从 64 维加到 256 维,误差是否持续下降?

面板顺序与图 8 相同,横轴改为时间嵌入维度。加维没有带来单调变好,城市之间的差距仍大于同一城市在四个维度上的起伏。来源:原论文 Fig. 9。

完整原论文图10

图 10|地理表示维度是否决定了跨城市效果?

面板顺序仍与图 8 相同,横轴为地理表示维度。64 到 256 维之内,完整模型的城市排序保持稳定。这支持“不必为每一座城市细调到唯一维度”,不支持维度选择已经没有影响。来源:原论文 Fig. 10。

地图上的高流量核心还在吗?

数值重叠高,地图上仍可能把高流量画错地方。图 5 画的是芝加哥流入的空间分布,色标 0 到 1,是归一化值。经度约 −87.70 到 −87.58,纬度约 41.86 到 41.94。

完整原论文图5

图 5|芝加哥的高流入核心,生成图里还在原来的位置吗?

(a)真实流入。(b)CRAFT。(c)CGAN。(d)GMEL。(e)DDPM。真实图中部有一块高值。(b)保留了这块热点的大致位置。(c)更铺开。(d)也有集中高值,形状与(a)不完全相同。(e)的高值更弱、更散。色标不能读成自行车次数。来源:原论文 Fig. 5。

正文说 CRAFT 和 GMEL 最接近真实分布,同时 CRAFT 的生成更符合真实流量。图 5 本身是目视比较。四座城市、九个方法的平均流量图在图 11,每座城市 10 张,顺序固定为真实、GMEL、DFG、KSTDiff、CGAN、Diffwave、DiT、DDPM、CVAE、CRAFT。

完整原论文图11

图 11|四座城市的平均流量地图,哪些方法保住了高值核心?

(1–10)芝加哥,(11–20)华盛顿特区,(21–30)多伦多,(31–40)纽约。每组第 1 张是真实值,最后 1 张是 CRAFT,中间依次为 GMEL、DFG、KSTDiff、CGAN、Diffwave、DiT、DDPM、CVAE。色标同为 0 到 1。CRAFT 在四座城市都保留了真实图里较集中的高值区,若干基线要么把高值铺满一大片,要么几乎抹平。各城色标分开归一化,不能跨城比较“哪座城市更红”。地图相像也不能代替表 1 的分组误差。来源:原论文 Fig. 11。

把窗口从一天拉到一周,优势还稳吗?

默认窗口是 24 小时。作者再在 48、72、96、120、144、168 小时上训练若干基线和 CRAFT。窗口变长既更难,也包含更多样本信息。图 7 只评流入。

完整原论文图7

图 7|窗口加长到一周时,流入生成的优势还在吗?

(a–c)芝加哥的 CPC、NMAE、NRMSE,(d–f)华盛顿特区,(g–i)多伦多,(j–l)纽约。横轴约为 40 到 160 小时,对应实验里的 48 到 168。蓝线是 CRAFT,其余为 DDPM、Diffwave、CVAE、DiT。各面板纵轴范围不同,不能跨面板比绝对高度。CRAFT 在多数面板保持更高 CPC 和更低误差。Diffwave 起伏大。芝加哥 CPC 在最右端明显下跌,纽约的 CRAFT 仍贴在较高处。来源:原论文 Fig. 7。

表 6 给出可以核对的格子。芝加哥流入、CRAFT 的 CPC 在 T=48 到 144 为 0.789、0.798、0.791、0.785、0.777,到 T=168 降为 0.645;对应的 NMAE 在 T=48 到 144 为 0.145、0.145、0.150、0.149、0.154,T=168 升到 0.251,NRMSE 升到 0.356。芝加哥流出在 T=168 的 CPC 为 0.656。华盛顿特区流入的 CPC 在 T=48 为 0.791,T=168 为 0.778。多伦多流入从 0.817 到 0.800,中间最高 0.826。纽约流入从 T=48 的 0.769 到 T=168 的 0.741,流出从 0.777 到 0.746。默认 24 小时的纽约流入 CPC 是 0.782,芝加哥流入是 0.785。长窗口上的明显下跌集中在芝加哥的 168 小时。

附录说,在全部数据集和指标里,CRAFT 在超过 98.6% 的延长窗口情形中最好;下游预测里,86.5% 的情形最好。这两个比例的分子和分母没有逐项列出。计算量随 T 增加有限:表 5 在同一块 3090 上,T=24 的模型大小为 51,781,096 字节,每轮训练 40.999 秒,显存 0.343 GB;T=168 为 52,076,008 字节、51.896 秒、0.346 GB。作者因此认为把窗口加长在算力上可接受,同时写明没有做超过 168 小时的实验。

这些结果能说到哪一步

24 格全胜是可调参数下的最好一点,没有多种子方差。一次最好结果可以支持“在这四座城市、这套网格和这套归一化进出量上,CRAFT 高于列出的基线”,不能支持每一次随机初始化都会以同样差距领先。

零样本留出的是目标城市流量。跨城市对齐在预训练时见过目标城市的地理表示。若一座城市的地图也要在编码器冻结之后才出现,那是比本文更严的迁移,本文没有报告。

检索按月份、星期和小时匹配源城市。多伦多是 2020 年,其余是 2023 年,同一月份会跨年匹配。论文没有把年份差和城市差拆开。

CPC、NMAE、NRMSE 都在归一化、分组平均后的序列上。地图相似、预测误差下降和计数还原是三件不同的事。下游任务里,平均 10.4% 的升幅盖住了纽约约 3.8% 和华盛顿特区约 22% 的差别。

作者在结论里写了两条范围:目前只验证了进出流量,起讫矩阵还没有做;受计算限制,时间窗口没有超过 168。图 7 和表 6 说明,即便在 168 以内,稳定性也因城市而异。

一句话总结

别的城市的区域进出序列,加上目标城市的地图对齐,可以在没有目标历史流量时生成网格上的归一化流入和流出,并且在这四座城市的 24 个评价格上优于所列基线;它还没有回答起讫矩阵,也还没有回答地图本身也没见过的城市。

核心来源

  • 本页依据的 PDF 首页标题为 Cross City Traffic Flow Generation via Retrieval Augmented Diffusion Model,页脚写明 39th Conference on Neural Information Processing Systems(NeurIPS 2025)。正文图 1–7,附录图 8–12,表 1–8。
  • 作者代码与数据入口。原始出行数据链接写在论文脚注:芝加哥 Divvy、华盛顿特区 Capital Bikeshare、多伦多开放数据、纽约 2023 年 Citi Bike。
  • 附录 A 给出最优传输和表 3 的超参数,附录 B 给出数据、基线与指标公式,附录 C 给出敏感性、延长窗口和全部城市的地图与对齐图。

作者介绍

以下只写论文署名和论文内可以核对的信息。

  • Yudong Li:第一作者,北京航空航天大学计算机学院。论文摘要给出的代码仓库属于这一工作。
  • Jingyuan Wang:通讯作者,同时署名计算机学院、经济管理学院,以及工业和信息化部数据智能与管理重点实验室(北京航空航天大学)。致谢列出国家自然科学基金 72222022、72171013、72242101,以及中央高校基本科研业务费 JKF-2025017226182。参考文献中有其参与的交通预测与城市计算工作,例如 LibCity。
  • Xie Yu:北京航空航天大学计算机学院。
  • Peiyu Wang:北京航空航天大学计算机学院。
  • Qian Huang:华为技术有限公司全球技术服务部,北京。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

168 小时不该被看成一个统一难度。芝加哥流入的 CPC 在 T=144 仍有 0.777,到 T=168 落到 0.645,NMAE 升到 0.251;多伦多流入在 T=168 还有 0.800。若把同一周切成七段 24 小时分别生成,再与一条 168 小时序列比较,就能看出变差来自窗口变长,还是来自检索到的跨城周模式对不上芝加哥。论文停在 168,没有做这个对照。

10.4% 的平均升幅也不该直接拿去决定车位。32 格里,纽约 LSTM 流出 RMSE 只从 0.106 升到 0.110,华盛顿特区 Transformer 流入 MAE 从 0.095 升到 0.116。再加上输出是归一化值,要讨论某座城市的投放,至少得先把尺度还原,并按城市分别看误差。

还有一个更严的零样本:编码器在对齐阶段就见过目标城市的地图。若把目标地图也留到推理时才输入,59.7% 里有多少来自“见过地图”、有多少来自“借到同时段流量”,会和现在的留一流量实验不同。起讫矩阵会再改变问题,因为进出总量对了,目的地仍可能配错。这些都需要单独实验。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录