基于Transformer的多域交通流预测模型MDPM：动态调制域特异性提示记忆的跨域时空模式挖掘

为解决现有交通预测模型缺乏跨数据集通用性及未充分利用跨域时空相似性的问题，研究人员提出MDPM（Modulating Domain-specific Prompt Memory）模型。该研究通过域共享编码器（ST2 R）、门控融合机制和动态提示向量，实现了多域交通流的高精度预测，在6个真实数据集上超越现有SOTA方法，且无需额外路网数据支持。

　　

随着城市化进程加速，道路车辆激增对交通管理系统提出严峻挑战。智能交通系统（ITS）作为智慧城市的核心组件，其关键任务——交通流预测（Traffic Flow Prediction）的准确性直接影响拥堵缓解和路网效率。然而，现有深度学习模型多局限于单一数据集，面临两大瓶颈：一是模型普适性不足，难以适配多域数据；二是跨数据集时空相似性利用不充分，尽管不同城市的交通流既存在独特性又共享周期性模式（如早晚高峰），但如何通过统一框架捕捉这些模式仍是技术难点。

针对上述问题，大连理工大学的研究团队在《Knowledge-Based Systems》发表研究，提出MDPM模型。该工作通过三大创新设计：基于ST²
R（Spatial-Temporal Rotary Position Encoder）的域共享编码器、结合对比学习的门控融合机制，以及动态调节各Transformer层的域特异性提示向量，首次实现无需路网先验知识的多域交通流精准预测。实验表明，MDPM在PeMS03-08及Didi GAIA的6个数据集上均显著超越现有方法，为跨城市交通预测提供了通用解决方案。

关键技术方法包括：1）采用ST²
R编码器捕获时空周期性；2）通过对比学习优化跨模态时空特征对齐；3）设计节点级（node-level）时序提示向量动态引导注意力机制。数据来源于加州高速公路PeMS系列和中国济南、西安的Didi城市中心车速数据集。

研究结果

1. 多域学习框架：MDPM通过域共享编码器提取跨数据集共性模式，同时利用提示向量保留域特异性，在零样本迁移任务中表现优异。
2. 时空编码优化：ST²
   R模块相比传统位置编码，对长程时空依赖的捕捉效率提升23.6%。
3. 动态提示机制：分层定制的提示向量使模型在PeMS04早高峰预测误差降低31.2%，证明其对局部时空异质性的适应能力。

结论与意义
该研究首次将提示学习（Prompt Learning）引入交通预测领域，通过MDPM架构实现"通用模式共享-特异特征保留"的平衡。其创新性体现在：1）突破传统GCN对路网数据的依赖；2）通过对比学习显式建模跨域相似性；3）动态提示机制为复杂时空交互建模提供新范式。这项工作不仅为多域交通预测建立新基准，其方法论对气候预测、流行病传播等跨域时序预测任务亦有借鉴价值。