CoMemNet：一种采用漂移感知采样的持续记忆网络，用于交通预测

arXiv:2605.05738v2 公告类型：替换 摘要：交通传感器网络会随着传感器的增加以及交通分布的变化而不断演化，而大多数预测模型都假设节点集合固定，并反复使用所有可用数据进行重新训练。我们提出了 CoMemNet，一种用于在不断演化的交通传感器网络上高效预测的持续记忆网络。CoMemNet 使用 Online 分支适应当前时段，并采用指数移动平均的 Target 分支作为稳定的特征参照。基于 Wasserstein 距离的漂移采样器比较各节点的 Online-Target 特征分布，并选择数量有限的、对漂移敏感的节点进行更新。轻量级的节点自适应时序记忆回放缓冲区（Node-Adaptive Temporal Memory Replay Buffer，TMRB-N）保留紧凑的时序状态，无需反复遍历所有历史训练数据。预测骨干网络不使用邻接矩阵；传感器邻接关系仅用于构建数据，并可选地将选定的更新节点扩展至规模有限的邻域。我们在三个多时段 PeMS 数据集上开展了实验，包括三随机种子评估、强静态重训练基线和持续学习基线、受控采样策略、持续学习指标、鲁棒性测试以及资源核算。结果表明，在有界的共享节点选择条件下，CoMemNet 能够保持稳定的预测精度并实现高效适应，在历史知识保留与当前时段预测性能之间取得更佳平衡。同时，随着演化网络不断扩展，与当前时段重训练基线相比，CoMemNet 展现出更明显的精度优势和累计训练时间优势。代码可在以下地址获取：https://meiwu5.github.io/CoMemNet。