Grow：面向扩展道路传感器网络的持续时空交通预测学习

《Information Processing & Management》：Grow: Continual spatiotemporal learning for traffic forecasting over expanding road sensor networks

　　

•Grow支持在扩展道路传感器网络上进行持续预测。•扩展-保持机制将适应性更新与稳定表示分离。•张量环适配器实现参数规模随网络规模次线性增长。•在七年PeMS-D3数据上，Grow以12.20的平均MAE击败11个基线方法。•七个周期更新耗时4.25分钟，峰值GPU内存占用0.73 GB。引言精确的交通预测是智能交通系统（ITS）的核心能力，支撑着交通信号控制、路线引导、拥堵管理，以及网联与自动驾驶车辆所需的情境感知（Jiang & Luo, 2022）。现代道路网络布设了大量固定传感器，包括环形检测器、雷达和基于摄像头的站点，它们以分钟级分辨率向交通管理中心报告交通状况。时空图神经网络（STGNNs）（Wang et al., 2026）已成为全网交通预测的主流方法，这得益于其能够联合建模道路网络的空间拓扑和交通流的时间动态特性（Weng et al., 2023）。然而，现有主流研究工作，如STFGNN（Li & Zhu, 2021）和DGCRN（Li et al., 2023），均建立在平稳性假设之上：模型在固定的历史观测数据上训练，部署时冻结参数。现实交通基础设施违反这一假设（Lv et al., 2025）。城市扩张和道路扩建不断新增路段和传感器布设，使得道路传感器网络本身在预测模型的部署生命周期内持续演化（Yang, Wu, Li, 2026）。鉴于运营型ITS平台的计算预算限制，每次网络扩展时反复收集完整历史记录并重新训练整个STGNN模型是不切实际的（Yang et al., 2027, Yang, Wu, Fan, 2026, Zou et al., 2026）。根本挑战在于如何在扩展的道路传感器网络上进行持续交通预测：使预测模型能够在扩展其对新部署传感器的处理能力时，保持从历史网络配置中获得的时空表示，我们称之为"边增长边不忘"（Chen et al., 2016）。如图1所示，传统方法在网络从t1演化到t3时，原始节点上的知识出现渐进性退化，凸显了需要在扩展过程中维持稳定表示的方法。图2进一步界定了持续时空预测的四种传统范式。面对网络扩展和模式演变，最基础的做法是采用静态预训练模型：在初始阶段训练STGNN，固定所有参数，并在后续周期中部署使用。虽然计算上可行，但这一策略会因交通观测中持续存在的分布漂移而经历性能渐进退化（Zhou & Cao, 2021）。另一个极端是周期性重新训练：每当网络扩展或时序发生漂移时，使用近期数据重建整个架构。尽管这能适应当前分布，但会放弃先前获得的结构表示，且重建成本随数据积累急剧上升。同时，在线学习技术（Chen et al., 2024）可以实现交通预测的增量更新，但它们缺乏明确的遗忘防止机制或面向网络可扩展性的系统性方案。持续学习框架（L. Yang et al., 2024）试图综合上述优势：在实现增量适应的同时保持历史表示。然而，灾难性遗忘（Carta et al., 2022）破坏了这一目标，因为为适应新模式而进行的参数修改往往会破坏已建立的表示。在交通预测中解决灾难性遗忘已催生了多种技术方案，包括重放式框架（Kieu et al., 2024）、正则化驱动的巩固方法（Wang, Zhang, Shi et al., 2023）、模式库管理（Wang, Zhang, Wang et al., 2023）和基于提示的适应方法（Chen & Liang, 2025）。然而，现有方法存在共同局限：它们要么施加均匀的参数更新而忽略了STGNN各层间的功能异质性，要么缺乏处理持续拓扑扩展的参数高效机制。这些方法共享一个结构特性：当新增传感器时，它们更新的参数与服务于已有传感器的参数是同一组参数。将两者分离正是本文要解决的问题。推动本研究的核心洞察是：STGNN中不同层在时空信息融合中承担异质性角色，其中浅层编码局部传感器观测，而深层集成多跳空间依赖关系，导致其对传感器网络演化的敏感性也相应存在异质性。此外，交通模式的固有低秩结构表明，适应此预测层级所需的参数可以大幅压缩。这些观察启示了我们的设计：冻结主干网络使其学习权重保持不变，同时分层适配器通过在多个架构深度部署张量环（TR）分解来适应扩展，将每次持续更新限制在紧凑、有结构的参数子空间内。为此，我们提出Grow——一个面向扩展道路传感器网络的持续时空学习框架。该框架在持续训练期间冻结主干STGNN，仅通过部署在多个架构深度的张量环（TR）分解分层适配器进行适应。这一设计具备五个显著特征：（i）有效性：在七年扩展网络中保持稳定的性能表现；（ii）通用性：在不同STGNN架构上一致有效的表现；（iii）高效性：通过冻结主干加速训练；（iv）紧凑性：适配器规模由秩决定，仅随节点容量次线性增长；（v）简洁性：仅通过适配器调优即可完成持续学习。总之，我们的主要贡献包括：•我们提出Grow，一个持续预测框架，使时空模型能够整合来自扩展道路传感器网络的观测，同时保持主干网络从早期网络配置中学习的权重不变，从而每次扩展仅由适配器参数吸收。•通过实验观察和分析，我们建立了在扩展道路传感器网络上进行持续交通预测的两条基本原则：扩展——将新部署的传感器纳入预测架构；保持——保留从历史网络配置中获得的时空知识。•基于这两条原则，我们引入带TR分解的分层适配器来实现扩展，并通过选择性冻结主干来实现保持。•在七年PeMS-D3数据上，Grow在十一个基线方法中取得最低平均误差，在六个STGNN主干上一致保持优势，并仅需4.25分钟完成全部七次更新。章节摘要相关工作时空交通预测。STGNN将空间邻域聚合与时序建模相结合用于交通预测（Kipf & Welling, 2017）。空间编码采用基于图傅里叶变换的谱方法（Cao et al., 2020）或消息传递机制（Hamilton et al., 2017），而时间编码则采用循环单元、膨胀卷积或注意力机制。代表性设计包括在学习到的邻接矩阵上进行膨胀卷积（Wu et al.,研究目标本研究的目标是让一个交通预测模型能够在不断增长的道路传感器网络上持续工作。当新传感器安装时，模型应能利用这些新传感器，不应丢失此前从已有传感器中学到的知识，且更新成本应在每次网络扩展时运营方都能承受。我们通过五个研究问题来回答这一目标。RQ1（有效性）：Grow是否比现有方法更具预测精度？问题形式化我们将交通基础设施演化形式化为一个扩展图序列S={G(1), G(2), …, G(T)}，其中G(τ)=(V(τ), E(τ), W(τ))表示周期τ时的网络状态。顶点集V(τ)包含Nτ=|V(τ)|个传感器位置，且V(τ)?V(τ+1)，边集E(τ)?V(τ)×V(τ)捕捉传感器之间的连通关系，W(τ)∈R^(Nτ×Nτ)编码对应的边权重。交通观测X(τ)∈R^(Nτ×L×D)涵盖L个历史时间步，每个时间步有D个观测特征，预测目标为Y(τ)∈R^(Nτ×框架概览图3展示了Grow的持续时空预测架构。该框架维护一个冻结的主干STGNN以编码基础时空表示，并通过轻量级TR压缩适配器捕获演化模式。在初始化阶段（τ=1），基本参数和适配器在初始网络上联合优化。在后续周期（τ≥2），基本参数保持固定，仅适配器组件参与训练，从而将……数据我们研究PeMS-D3交通流数据集，即Caltrans性能测量系统的第三区（北加州）子集，采用与TrafficStream一同发布的七年版本（Chen et al., 2021）。该数据流是持续交通预测的标准基准，因为它记录的是实际发生的设施扩展，而非通过子采样人为构造的。使用发布版本也使我们的结果与持续学习基线方法可直接比较，因为……实验设置本节描述用于回答第3节中五个研究问题的基线方法、评价指标和训练配置；表1将每个问题映射到对应的小节及报告结果的表格或图。基准方法。我们将Grow与十一个基线方法进行对比。LSTM（SHI et al., 2015）和GRU（Dey & Salem, 2017）是经典的时间序列建模循环架构。Pretrain-ST使用在初始数据上训练的模型……预测精度（RQ1）表3展示了在PeMS-D3数据集上所有评估方法的综合性能比较。Grow在所有三个指标上均取得最佳平均表现，MAE为12.20，RMSE为19.91，MAPE为16.54%。与Grow相比，平均MAE和RMSE最优的基线方法TEAM的MAE高出5.57%，RMSE高出6.28%，MAPE高出20.74%。在不同指标上一致的提升表明Grow有效地平衡了预测……发现总结第3节的五个研究问题回答如下。在精度方面（RQ1），Grow在十一个基线方法中取得最低的平均MAE、RMSE和MAPE，并在七个周期中均排名第一，其中最优竞争方法TEAM的MAE超出量从15分钟预测视野的1.53%扩大至60分钟预测视野的11.13%。在通用性方面（RQ2），同一机制改进了六个STGNN主干，其中对基于注意力的主干改进最为显著，对循环算子的改进则最小，因为其门控……结论本文提出Grow——一个面向扩展道路传感器网络的持续时空学习框架，用于交通预测。该框架基于两条互补原则：通过分层TR压缩适配器实现扩展，通过初始化后冻结主干实现保持。这种分离机制将所有梯度更新限制在紧凑的适配器子空间内，使得传感器可以逐期整合，同时从早期配置中学习的权重保持不……贡献者声明Shiyu Yang：撰写——初稿、验证、软件。Qunyong Wu：撰写——审阅与编辑、概念设计。Chuxi Fan：验证、数据整理。Zhiyuan Zhao：撰写——审阅与编辑、指导。生成式AI及AI辅助技术在稿件准备过程中的使用声明在本工作准备过程中，作者使用了Claude（Anthropic）进行语言润色。使用该工具/服务后，作者对内容进行了审阅和编辑，并对已发表文章的内容承担全部责任。利益冲突声明作者声明不存在可能影响本文所报告工作的已知财务利益冲突或个人关系。致谢本工作由国家自然科学基金（编号41471333和42201500）以及国家自主创新示范区福州、厦门、泉州协同创新平台项目（编号2025-p-002和2025E3003）资助。Shiyu Yang | Qunyong Wu | Chuxi Fan | Zhiyuan Zhao