标签
本文提出了一种框架，用于将来自通用知识图谱的语义知识集成到时空交通预测模型中，通过提供超越物理连接性的上下文信息，以提高预测准确性和可解释性。
DSETA是一种用于行程时间预测的双阶段持续学习框架，将日内实时自适应与跨日长期趋势学习分离。在线A/B测试显示，在三个城市中MAE均有降低，并已成功部署于DiDi的生产环境。
本综述回顾了应用于交通预测的神经架构搜索（NAS）方法，按照搜索策略（基于梯度的方法、进化方法、单次权重共享方法）进行组织，并讨论了计算可扩展性、跨城市泛化以及未来方向等挑战。