时空域泛化学习方案

跨城即插即用

无需目标城市微调，通过多风格数据增强与域间相似度重组学习过程，实现跨城市交通预测的域不变特征提取。

Shengzhe, You · Weng, Libo · Lei, Yanjing · 高菲

Expert Systems with Applications 2026

技术优势

无需微调

模型直接从源城市数据学习域不变特征，部署到新城市时无需使用目标城市数据进行微调。

即插即用

框架实现简单，可与各种神经网络架构集成，无需改动现有系统。

性能领先

在四个真实交通数据集上显著超越现有通用域泛化方法，并达到先进小样本方法的性能水平。

应用场景

• 智慧交通管理：无需目标城市微调即可部署预测模型，降低智能交通系统建设成本。
• 跨城市交通预测：在数据稀缺的目标城市实现高精度预测，无需本地数据微调。
• 自动驾驶数据增强：通过多风格数据增强提升模型对不同城市交通模式的泛化能力。