面向交通流预测的时空特征融合与小样本学习框架：跨城市知识迁移方法

《Energy and AI》：Spatio-temporal feature fusion and few-shot learning framework with cross-city knowledge transfer for traffic flow prediction

　　

针对城市交通网络的精准交通预测面临四项基础挑战：（1）跨城市与跨时间变化的非线性时空相关性；（2）由于传感器覆盖稀疏而导致的新部署区域数据稀缺；（3）扩展至大规模都市网络时的计算低效；以及（4）阻碍跨城市泛化的异质性道路拓扑。研究人员提出 ST-FSFusion，这是一种结合跨城市知识迁移的时空特征融合（Spatio-Temporal Feature Fusion）与小样本学习（Few-Shot Learning）框架，通过由五个组件构成的集成式模块化架构应对上述挑战。首先，时空元知识学习器（Spatio-Temporal Meta-Knowledge Learner, ST-MKL）通过双空间—时间处理通路与自适应图变换器（graph transformers）捕获可迁移交通模式，同时保留城市特异性特征。其次，时间编码包装器（Temporal Encoder Wrapper, TEWrapper）提供双通路自适应编码（MetaT-RobustT），依据数据可用性在元增强编码器与标准编码器之间切换，从而保证在数据充足与数据稀缺条件下均具备稳健性能。第三，跨域特征融合（Cross-Domain Feature Fusion, CDFusion）以层次化方式联合空间与时间表征，并通过图重构正则化促进拓扑一致性。第四，跨城市适配器（Cross-City Adapter, CAdapter）与小样本学习器（Few-Shot Learner, FSL）协同实现新城市中的高效部署，其中 CAdapter 支持选择性知识迁移，FSL 则通过受道路网络结构约束的基于原型的学习实现快速适应。基于四个真实世界城市数据集的实验表明，在小样本设定（3 天、训练数据的 5%–10%）下，ST-FSFusion 在平均绝对误差（Mean Absolute Error, MAE）与均方根误差（Root Mean Square Error, RMSE）方面均较当前最优方法取得稳定提升，并在缺失数据条件下表现出较强的抗噪声能力与稳健性；消融研究进一步证实，ST-MKL 是最关键的组成模块。该框架为历史数据或计算资源受限城市中的智能交通系统提供了可扩展且具有实践价值的解决方案。

该文发表于《Energy and AI》，围绕跨城市交通流预测中的“小样本适应”和“异构城市泛化”两个核心难题，提出了一个由元学习（meta-learning）、时空图建模与跨域特征融合协同构成的统一框架。研究背景在于，交通流预测虽然已广泛采用深度学习方法，但实际落地仍受制于四类关键障碍：其一，交通流在空间和时间上均呈现强非线性与动态耦合特征，不同城市、不同时间段的关联结构并不稳定；其二，新部署城市尤其是传感器基础设施不足地区，往往仅有极少标注历史数据，传统依赖大样本训练的模型难以直接迁移；其三，当预测对象扩展到大规模城市路网时，模型的计算开销和部署成本显著增加；其四，道路拓扑在城市之间差异显著，导致单城市训练得到的模型难以跨城市泛化。正因如此，研究人员开展该研究，旨在构建一种兼顾预测精度、迁移能力、数据效率与计算效率的跨城市交通预测方法。

本文提出 ST-FSFusion 框架，以 ST-MKL、TEWrapper、CDFusion、CAdapter 和 FSL 五个模块构成紧密耦合体系。研究的核心思想并非发明孤立的新型图神经网络（GNN）或 Transformer，而是在现有图学习、元学习、跨域适配技术之上，引入明确的结构性约束与模块协同机制，使模型能够从多源城市中提取可迁移的时空元知识，再在目标城市只提供极少样本时完成快速适配。论文的理论与实验结果表明，该框架在四个真实数据集上均取得优于多种基线方法的表现，尤其在 3 天适应数据这一典型小样本条件下优势明显，并且对噪声、缺失数据和城市间拓扑差异均保持较高稳健性。其重要意义在于，为新建或数据不足城市中的智能交通系统提供了可扩展的预测方案，同时为能源相关场景，如电动汽车充电调度、公共交通能耗优化与交通排放估计，提供了更可靠的基础预测能力。

从方法上看，作者主要采用了五类关键技术。第一，以交通网络图 G=(V,E,A,X(t)) 为基本表示，利用图卷积与时间卷积并行建模时空依赖；第二，采用元学习训练范式，在多源城市上学习低秩（low-rank）元知识矩阵 M_k，用于跨城市迁移；第三，使用 TEWrapper 在 MetaT 与 RobustT 两条编码路径间自适应切换，并依据图狄利克雷能量（Dirichlet energy）实现 FP16/FP32 精度切换；第四，借助 CDFusion 和 CAdapter 进行跨域层次化注意力融合与选择性跨城市迁移；第五，在 FSL 中引入基于原型（prototype-based）的回归式小样本学习、图重构正则与参数邻近约束。实验样本来自四个真实交通数据集：METR-LA、PEMS-BAY、Chengdu 和 Shenzhen。

在研究结果部分，论文首先通过“Comparison with state-of-the-art methods (RQ1)”说明，ST-FSFusion 在 METR-LA、PEMS-BAY、Chengdu 和 Shenzhen 四个数据集上，相较 HA、ARIMA、ST-GCN、DDGCRN、MTEGCRN、SDSINet、ST-GFSL、PG-MDAN、TransGTR、Cross-IDR 等方法，在多数预测时域上取得最低或接近最低的 MAE 与 RMSE，证明该框架在跨城市小样本交通预测中的整体性能优势。尤其在 PEMS-BAY 和 Shenzhen 上，模型在多预测时长下表现出更稳定的误差控制能力。

在“Evaluation under various conditions (RQ2, RQ3)”中，研究人员通过数据稀缺、加噪和缺失值等场景测试模型鲁棒性。结果表明，在仅使用 10% 训练数据时，ST-FSFusion 的 MAE 明显低于 ST-GFSL；在高斯噪声与随机缺失设定下，模型的性能退化幅度显著小于 DASTNet 等基线。这部分结果说明，ST-MKL 提供的小样本迁移能力、TEWrapper 的双路径编码以及 CDFusion 与 CAdapter 的自适应融合共同提高了模型面对复杂现实环境时的稳定性。

在“Effects of cross-domain fusion and graph reconstruction (RQ4, RQ5)”中，作者比较了 CDFusion 与简单拼接策略。结果显示，层次化跨域注意力融合在 Chengdu 与 Shenzhen 上均带来更低 MAE 和更小跨次运行方差，同时在图信号平滑性系数 ρ(f)=1?‖Lf‖₂/‖f‖₂ 和流守恒、一致速度—密度关系等物理一致性指标上表现更优。通过图重构损失 λ₂‖A?σ(ZZ^?)‖_F²，模型更好地保持了道路拓扑结构与交通物理合理性。

在“Ablation study (RQ2, RQ5, RQ7)”中，论文保留了各子标题并系统移除不同模块。结果表明，ST-MKL 是基础性最强的组成部分，去除后性能下降最大；CDFusion 为第二关键模块；TEWrapper 中 MetaT 与 RobustT 两条路径共同工作优于单一路径；CAdapter 与 FSL 之间存在明显协同效应，单独使用 CAdapter 甚至可能轻微降低效果，而与 FSL 组合时则达到最佳性能。该结果说明，ST-FSFusion 的优越性来自模块间协调集成，而非某一单一组件。

在“Hardware-aware precision optimisation (RQ3, RQ7)”中，研究人员验证了基于图范数的精度切换策略。通过与固定 FP32、固定 FP16、PyTorch AMP 和朴素混合精度方法比较，结果显示 ST-FSFusion 在维持接近甚至略优于 FP32 精度的同时，实现了更低延迟和更低能耗。这说明利用图狄利克雷能量触发的精度控制不仅有理论依据，也具有实际部署价值。

在“Computational efficiency comparison (RQ7)”中，论文报告了训练和适配时间、推理延迟以及显存占用。ST-FSFusion 的总耗时虽不是所有方法中最短，但目标城市适配阶段仅需较短时间，并显著快于 ST-GFSL。作者将效率收益归因于低秩元知识矩阵 M_k、参数邻近约束以及 CAdapter 的选择性迁移设计，表明模型在跨城市部署场景下具有现实可行性。

在“Domain transfer analysis (RQ1, RQ4)”与“Source-target domain similarity analysis (RQ1, RQ4)”中，作者分析了节点层面的空间异质性和跨城市特征相似性。结果显示，不同交通场景和道路功能区域的预测难度存在明显差别，而源域与目标域节点嵌入之间存在“部分对齐”的相似性分布，这为选择性迁移机制提供了证据，也解释了为何跨城市迁移有用但必须避免负迁移。

在“Robustness analysis under noisy conditions (RQ3)”中，论文比较了无噪声、dropout、固定 Gaussian、固定 Laplace 与双噪声自适应注入策略。结果表明，TEWrapper 中 RobustT 采用的输入 Gaussian 噪声与梯度 Laplace 噪声组合，在缺失数据和噪声干扰条件下取得最小性能下降，说明输入依赖型噪声注入优于统一式正则化方案。

在“Hyperparameter sensitivity and model stability (RQ5, RQ7)”中，作者进一步说明 λ₁、λ₂、融合温度与适配率等参数具有较稳定的最优区间，跨城市迁移时对重新调参的需求较低。该结果有助于说明模型并非仅在单一数据集上通过大量调参获得优势，而是在不同城市数据集间具有较好的可转移稳定性。

在“Few-Shot learning strategy analysis (RQ6)”中，研究人员比较了硬分箱（hard binning）、软 K-means、软 GMM、连续匹配与仅微调方案。结果表明，FSL 中采用的硬分箱原型学习在极少样本下取得更高精度、更快收敛速度和更稳定的原型分配，证明其更适合交通流回归任务中的离散交通状态表达。

在“Uncertainty quantification and few-shot adaptation analysis (RQ2, RQ3)”以及“Temporal pattern transfer analysis (RQ2, RQ6)”中，作者展示了不确定性与误差之间的正相关关系，并证明经过 3 天目标域适配后，目标城市时序编码激活与源域预训练激活之间仍保持较高 Pearson 相关，说明模型在少量样本下完成了针对性校准，同时避免了灾难性遗忘。

在“Empirical validation of theoretical guarantees”相关小节中，论文对第五部分提出的理论假设与界进行了经验验证，包括低秩性、门控范围、收敛速率、转移误差与谱距离关系、噪声鲁棒性线性界、精度切换误差界及总体泛化界分解。相关结果表明，M_k 的有效秩在不同数据集上均明显低于满秩，门控值满足非退化约束，图拉普拉斯谱分布与理论分析一致，从而支撑了该框架“可验证的结构性保证”。

讨论部分强调，ST-FSFusion 的价值不只在于预测精度提高，还在于将可迁移性、资源感知能力与鲁棒性放入统一设计框架。论文同时指出其局限性：双 Transformer 结构仍引入额外计算负担；当城市道路网络特征差异过大时，可能仍需进行一定超参数调整；硬件感知精度切换目前主要在 NVIDIA T4 GPU 上验证，未来还需在更多硬件平台上扩展评估。作者据此提出后续方向，包括借助知识蒸馏（knowledge distillation）构建轻量化版本、开发面向异构城市基础设施的自动化超参数适配策略、纳入天气与事件等外部上下文信息，以及开展更广泛的硬件部署验证。

研究结论部分可概括翻译为：ST-FSFusion 通过在统一架构中集成时空元知识学习（ST-MKL）、双路径自适应时间编码（TEWrapper）、跨域特征融合（CDFusion）、跨城市适配（CAdapter）与小样本学习（FSL），为跨城市交通流预测提供了一种有效框架。基于四个真实世界数据集的大量实验表明，在小样本条件（3 天、训练数据的 5%–10%）下，该方法相较现有先进基线取得持续性能提升，并在噪声和缺失数据条件下保持稳健。消融分析显示，ST-MKL 与 CDFusion 构成基础层，TEWrapper 提供自适应补充增益，CAdapter 与 FSL 则实现具有协同效应的定向校准。总体而言，该研究展示了一种面向跨城市迁移、资源受限部署与鲁棒预测需求的时空学习范式。