ST-CML：基于对比元学习的时空图跨城市小样本迁移学习框架及其在智慧城市中的意义

本文提出了一种创新的时空图对比元学习框架（ST-CML），通过整合多源城市数据与图对比学习机制，有效解决数据稀缺城市的时空预测难题。该框架利用元学习器（meta-learner）生成下游模型参数，并结合对比损失函数抑制跨城市特征偏差，在交通速度预测任务中显著优于现有方法，为智慧城市计算提供了可迁移、高效率的解决方案。

　　

亮点（Highlights）

• •

  提出的ST-CML框架能够有效从源城市学习时空特征，并通过跨城市知识迁移提升数据稀缺目标城市的模型性能。

• •

  引入时空图对比模块，通过对时空图进行数据增强和负样本过滤，将原始与增强数据重构为节点级元知识对应的时空图表示，并通过最小化对比损失增强模型对时空特征的感知能力与鲁棒性，从而缓解知识迁移过程中的偏差。

• •

  在三个真实交通数据集（METR-LA、PEMS-BAY和SEATTLE-LOOP）上进行了广泛实验，证明本方法在性能、有效性和普适性上均优于现有基准模型。

引言（Introduction）

随着城市化与信息采集技术的快速发展，居民、车辆和城市基础设施每日产生海量时空数据。利用深度学习模型精准预测时空交通数据对智慧城市发展至关重要，涵盖交通流预测、空气质量预报和城市规划等领域。然而，当可用数据有限时，深度学习模型的训练面临巨大挑战。鉴于城市间固有的相似性，跨城市知识迁移为缓解数据稀缺问题提供了可行路径。

近年来，小样本场景下的智慧城市计算取得显著进展。例如，Wei等人提出FLORAL方法，通过构建源城市语义词典进行空气质量预测与知识迁移，但依赖单一源城市可能导致负迁移。Yao等人提出MetaST，利用时空记忆模块迁移城市间长期时空模式，但该方法侧重于城市层级，忽略了细粒度城际关联。Jin等人采用元学习对源区域重新加权，通过丰富数据城市与稀缺数据城市间的区域相关性改善知识迁移，但未考虑城市间分布差异，且这些方法仅适用于网格数据，缺乏与图建模框架的兼容性。

本文提出了一种基于时空图的小样本学习框架，用于跨城市交通预测中的知识迁移，但仍面临两大挑战：

（1）如何通过多源城市知识迁移提升数据稀缺目标城市的模型性能？现有方法多依赖单一源城市，但不同城市间时空特征分布存在异质性，仅从单一源迁移易引发特征冲突或负迁移；

（2）如何减轻知识迁移过程中不同城市间时空特征差异的影响？时空图可表征城市时间特征与结构信息，而现有方法忽视了对不同时空特征保持鲁棒性的重要性，导致预测效果不佳。

为解决上述问题，我们提出ST-CML——一种模型无关的时空图小样本学习框架，其核心创新包括：

（1）设计元学习器，从源城市提取时空特征并转化为节点级元知识，生成下游时空模型参数；

（2）引入时空图对比学习模块，通过数据增强与负样本过滤构建样本对，借助对比损失最小化增强模型对时空特征的感知与鲁棒性，从而减少知识迁移偏差。

结论与未来工作（Conclusion and Future Work）

本研究提出ST-CML框架，通过融合元学习与对比学习机制，显著提升了跨城市小样本时空预测的效能。未来工作将探索更复杂的城市动态交互机制，并扩展框架至多模态时空数据应用。当前研究仍受限于数据源类型与城市规模，需进一步验证其在更广泛场景下的适用性。