Physics-guided Active Sample Reweighting for Urban Flow Prediction

城市流量预测是一项时空建模任务，旨在估计公交、出租车和拼车等交通服务的吞吐量，数据驱动模型在过去十年中已成为最流行的解决方案。然而，历史观测到预测目标之间的隐式映射往往会过度简化现实世界城市流量的动态，导致预测结果不够优秀。最近一些时空预测解决方案通过物理引导机器学习（PGML）的概念提供了一些解决方案，该方法使用精细和有原则的物理定律描述时空数据，从而提高了预测精度和可解释性。然而，这些时空PGML方法建立在一个强假设的基础上，即观测数据完全符合定义物理系统的微分方程，这在城市流量预测任务中很快就会变得不适用。观测到的城市流量数据，特别是将其切片成时间依赖的快照以便于预测时，通常是不完整和稀疏的，并且容易受到收集过程中固有噪声的影响。因此，数据与PGML模型之间的物理不一致显著限制了解决方案的预测能力和鲁棒性。此外，由于许多交通服务基于间隔的预测和间歇性的数据填充，很难捕捉城市流量的瞬时动态，因此基于微分方程的连续建模方法在这种情况下并不适用。为了克服这些挑战，我们开发了一个离散化的物理引导网络（PN），并提出了一种数据感知的框架物理引导主动样本重新加权（P-GASR）来增强PN。在四个真实数据集上的实验结果表明，我们的方法实现了最先进的性能，并具有可证明的鲁棒性改进。

本文旨在解决城市交通预测中数据稀疏、噪声大、连续建模不适用等问题，提出了一种离散化物理引导网络（PN）和数据感知框架物理引导主动样本重新加权（P-GASR）来提高预测准确性和鲁棒性。

本文提出的解决方案是通过离散化物理引导网络来解决城市交通预测中数据稀疏、噪声大、连续建模不适用等问题，并通过数据感知框架物理引导主动样本重新加权来提高预测准确性和鲁棒性。

本文的亮点包括提出了离散化物理引导网络和数据感知框架物理引导主动样本重新加权，实验结果表明该方法在四个真实数据集上表现出优异的性能和鲁棒性，值得进一步研究。

相关研究包括城市交通预测中的数据驱动模型和基于物理的机器学习模型，以及物理引导机器学习模型。相关论文包括：'DeepST: A Spatio-Temporal Neural Network for Traffic Forecasting using Deep Learning'，'ST-ResNet: Deep Spatio-Temporal Residual Networks for Urban Traffic Prediction'，'Physics-Informed Machine Learning: A New Paradigm for Sustainable Urban Mobility'等。