基于隐式特征图构建与时序对比学习的极端天气下共享单车需求动态预测

Abstract

共享单车需求受气象影响显著，极端天气下易出现“零需求”与长尾分布，传统模型预测误差大。本文提出IFG-IATCL框架，将多维气象特征建模为隐式特征图，通过谱域图卷积解耦共线性；引入不平衡感知时序对比学习，增强稀有样本学习能力。在多数据集实验中，模型在全局及极端天气下均显著提升预测精度，为智慧交通应急调度提供支持。