用于异构起终点流量预测的任务对齐混合专家建模

《Journal of Geovisualization and Spatial Analysis》：Task-Aligned Mixture-of-Experts Modeling for Heterogeneous Origin–Destination Flow Prediction

　　

摘要

准确的起点-终点（OD）流量预测对于城市出行、货运物流和区域互动分析至关重要。其核心挑战在于如何将异质性的OD交互关系以与流量预测任务对齐的方式进行表示和建模。现有方法通常依赖于外部指定或独立计算的异质性相关表示、单一共享的预测函数，或将表示构建与下游预测相分离。这些设计可能削弱表示与预测之间的联系，并可能平滑掉不同OD对之间差异化的预测关系。为解决这一问题，我们提出了一种任务对齐的混合专家框架（ALSSH-OD），用于基于外部起点属性、终点属性和测地距离的静态OD流量预测。该框架将流量标签离散化为基于分位数的类别，仅用于训练期间的对比表示学习，同时通过特征驱动的软路由将OD对分配给专家回归器进行预测。通过联合优化预测、对比学习和负载均衡目标，ALSSH-OD将OD对表示学习与专家路由及流量预测耦合在一起，同时保持预测阶段的路由独立于观测到的流量值。在中国城际货运和纽约市通勤数据集上的实验表明，ALSSH-OD在所比较的方法中取得了最低的均方根误差（RMSE），分别比次优模型降低了4.07%和5.42%。专家特定的分析揭示了与高强度区域货运流、长距离货运走廊和密集短距离城市通勤流相关的模型衍生模式。这些结果表明，任务对齐的专家建模既能提升流量量级预测，又能提供基于模型的方法来研究异质性OD交互模式，并为城市区域出行与物流分析提供有益参考。