Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction

📄 arXiv: 2602.21757v1 📥 PDF

作者: Xiannan Huang, Quan Yuan, Chao Yang

分类: cs.LG, cs.AI

发布日期: 2026-02-25

🔗 代码/项目: GITHUB

💡 一句话要点

提出FORESEE，用于解决交通需求预测中在线适应的计算成本问题。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交通需求预测 在线学习 数据分布偏移 残差平滑 混合专家 时空平滑 智能交通系统

📋 核心要点

  1. 现有深度学习模型在交通需求预测中面临数据分布偏移带来的挑战，频繁重训练成本高昂。
  2. FORESEE通过利用前一天的预测误差，结合指数平滑和混合专家机制，实现高效的在线自适应。
  3. 实验表明，FORESEE在多个数据集上显著提升了预测准确性，同时保持了鲁棒性和计算效率。

📝 摘要（中文）

准确预测短期交通需求对于智能交通系统至关重要。虽然深度学习模型在静态条件下表现出色，但当面临外部事件或城市动态演变引起的数据分布偏移时，其准确性通常会显著下降。频繁地重新训练模型以适应这些变化会产生巨大的计算成本，特别是对于大规模或基础模型。为了解决这个问题，我们提出了FORESEE（Forecasting Online with Residual Smoothing and Ensemble Experts），这是一个轻量级的在线自适应框架，它准确、鲁棒且计算高效。FORESEE在不更新基础模型任何参数的情况下运行。相反，它使用前一天的预测误差来校正今天每个区域的预测，并通过混合专家机制引导的指数平滑来稳定误差，从而适应最近的误差动态。此外，自适应时空平滑组件在相邻区域和时间段之间传播误差信号，捕获需求模式的连贯变化。在包含三个骨干模型的七个真实世界数据集上的大量实验表明，FORESEE始终提高预测准确性，即使在分布偏移最小的情况下也能保持鲁棒性（避免性能下降），并且在现有在线方法中实现了最低的计算开销。通过以可忽略的计算成本实现交通预测模型的实时自适应，FORESEE为在动态城市环境中部署可靠、最新的预测系统铺平了道路。代码和数据可在https://github.com/xiannanhuang/FORESEE获取。

🔬 方法详解

问题定义：论文旨在解决交通需求预测中，由于城市动态变化导致数据分布偏移，现有深度学习模型需要频繁重新训练所带来的高计算成本问题。现有方法难以在保证预测精度的同时，兼顾计算效率和鲁棒性。

核心思路：FORESEE的核心思路是在不更新基础模型参数的前提下，通过对历史预测误差进行分析和修正，实现模型的在线自适应。它利用前一天的预测误差来校正今天的预测，从而快速适应新的数据分布。这种方法避免了重新训练整个模型的需要，显著降低了计算成本。

技术框架：FORESEE框架主要包含三个核心组件：1) 残差平滑（Residual Smoothing）：利用指数平滑方法对前一天的预测误差进行平滑处理，以减少噪声的影响。2) 混合专家（Mixture-of-Experts）：根据最近的误差动态，自适应地选择不同的专家模型，以更好地校正预测误差。3) 时空平滑（Spatiotemporal Smoothing）：在相邻区域和时间段之间传播误差信号，以捕捉需求模式的连贯变化。整体流程是，首先利用基础模型进行预测，然后通过FORESEE框架对预测结果进行校正，最终得到更准确的交通需求预测。

关键创新：FORESEE的关键创新在于其轻量级的在线自适应方法，它无需更新基础模型的任何参数，而是通过对历史预测误差的分析和修正来实现模型的自适应。与现有在线学习方法相比，FORESEE在保证预测精度的同时，显著降低了计算成本，并提高了鲁棒性。

关键设计：FORESEE的关键设计包括：1) 指数平滑的平滑系数，用于控制历史误差的影响程度。2) 混合专家机制中专家模型的选择策略，以及专家模型的权重分配方式。3) 时空平滑组件中，相邻区域和时间段的定义，以及误差信号的传播方式。这些参数需要根据具体的数据集和应用场景进行调整，以达到最佳的预测效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FORESEE在七个真实世界数据集上，使用三种不同的骨干模型，均能显著提高预测准确性。与现有在线方法相比，FORESEE在保持或提高预测精度的同时，实现了最低的计算开销。例如，在某些数据集上，FORESEE可以将预测误差降低10%以上，同时计算时间缩短50%以上。

🎯 应用场景

FORESEE可广泛应用于智能交通系统，例如实时交通流量预测、交通拥堵预警、智能路径规划和动态定价等。通过提供准确、鲁棒且计算高效的交通需求预测，FORESEE能够帮助城市管理者更好地优化交通资源配置，提高交通效率，并改善居民的出行体验。该研究的成果对于构建智慧城市具有重要的实际价值和未来影响。

📄 摘要（原文）

Accurately predicting short-term traffic demand is critical for intelligent transportation systems. While deep learning models achieve strong performance under stationary conditions, their accuracy often degrades significantly when faced with distribution shifts caused by external events or evolving urban dynamics. Frequent model retraining to adapt to such changes incurs prohibitive computational costs, especially for large-scale or foundation models. To address this challenge, we propose FORESEE (Forecasting Online with Residual Smoothing and Ensemble Experts), a lightweight online adaptation framework that is accurate, robust, and computationally efficient. FORESEE operates without any parameter updates to the base model. Instead, it corrects today's forecast in each region using yesterday's prediction error, stabilized through exponential smoothing guided by a mixture-of-experts mechanism that adapts to recent error dynamics. Moreover, an adaptive spatiotemporal smoothing component propagates error signals across neighboring regions and time slots, capturing coherent shifts in demand patterns. Extensive experiments on seven real-world datasets with three backbone models demonstrate that FORESEE consistently improves prediction accuracy, maintains robustness even when distribution shifts are minimal (avoiding performance degradation), and achieves the lowest computational overhead among existing online methods. By enabling real-time adaptation of traffic forecasting models with negligible computational cost, FORESEE paves the way for deploying reliable, up-to-date prediction systems in dynamic urban environments. Code and data are available at https://github.com/xiannanhuang/FORESEE