Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner

本文介绍了一种新的范式来解决时空交通数据（STTD）学习问题，即将STTD参数化为一种隐式神经表示。为了识别低维度区域中的基本动态，采用基于坐标的神经网络来直接将坐标映射到交通变量。为了揭示交织的空间-时间交互作用，将可变性分解为单独的过程。同时，通过使用谱嵌入，使其能够在不规则空间（如传感器图）中进行建模。通过连续表示，我们的方法能够使用统一的输入对各种STTD进行建模，因此可以作为潜在交通动态的通用学习器。实验证明，我们的方法不仅比传统的低秩模型具有显著优越性，而且还可以适用于不同的数据域、输出分辨率和网络拓扑结构。综合模型分析进一步揭示了STTD的归纳偏差。我们预计这种开创性的建模视角可以为各种实际任务中STTD的通用表示奠定基础。

本论文旨在解决如何通过参数化STTD为隐式神经表示来学习交通动力学问题。这是否是一个新问题？

本论文的关键思路是使用基于坐标的神经网络来直接将坐标映射到交通变量，以识别低维情况下的底层动态行为，并将可变性分解为单独的过程以揭示空间-时间相互作用。同时，通过连续表示，本方法能够对多种STTD进行建模，具有较强的通用性。

本论文的亮点包括：1.使用基于坐标的神经网络来直接映射坐标到交通变量；2.能够对多种STTD进行建模，具有较强的通用性；3.能够学习隐式低秩先验和平滑正则化，适用于学习不同的数据模式；4.在真实场景中进行了广泛的实验验证，展示了从走廊到网络规模的应用；5.通过综合模型分析，提供了对STTD归纳偏差的进一步洞察。

最近在这个领域中，还有一些相关的研究，例如：“Learning Spatiotemporal Representations with Temporal Encoding Networks”和“Deep Spatio-Temporal Neural Networks for Traffic Prediction and Reconstruction”等。