FlashST: A Simple and Universal Prompt-Tuning Framework for Traffic Prediction

交通预测的目标是准确预测和分析交通模式的动态变化，考虑到时间和空间因素。然而，分布变化的存在在这一领域中带来了重大挑战，因为现有模型在面对与训练分布显著不同的测试数据时往往难以很好地推广。为了解决这个问题，本文引入了一个简单且通用的时空提示调节框架——FlashST，该框架将预训练模型适应于不同的下游数据集的特定特征，从而改善了在不同交通预测场景中的推广能力。具体而言，FlashST框架采用轻量级的时空提示网络进行上下文学习，捕捉时空不变的知识，促进对不同场景的有效适应。此外，我们还结合了分布映射机制，以对齐预训练和下游数据的数据分布，在时空预测中促进有效的知识转移。实证评估证明了我们的FlashST在不同的时空预测任务中使用多样化的城市数据集的有效性。代码可在https://github.com/HKUDS/FlashST上获得。

FlashST框架旨在解决交通预测中的分布偏移问题，提高模型在不同场景下的泛化能力。

FlashST框架采用轻量级的时空提示网络进行上下文学习，捕捉时空不变知识并促进对不同场景的有效适应。此外，框架还引入分布映射机制，以对齐预训练和下游数据的数据分布，促进时空预测中的有效知识转移。

论文通过实验验证了FlashST框架在不同的时空预测任务和城市数据集上的有效性，并提供了开源代码。

近期的相关研究包括：《DeepST》、《ST-ResNet》、《ASTGCN》等。