华南理工大学和香港大学的研究人员在ICML 2024上提出了一个简单而通用的时空提示调整框架FlashST，通过轻量级的时空提示网络和分布映射机制，使预训练模型能够适应不同的下游数据集特征，显著提高了模型在多种交通预测场景中的泛化能力。交通预测的目标是准确预测和分析城市未来的交通模式，这一过程需要同时考虑时间和空间因素。FlashST框架采用了一个轻量级的时空提示网络进行上下文学习，捕捉时空不变知识，并有效地适应不同场景。此外，文中还引入了一个分布映射机制，对齐预训练和下游数据的数据分布，促进时空预测中有效的知识转移。实验表明FlashST在不同类型城市交通数据集中的有效性。尽管现有时空预测方法已显示出其有效性，但大多数时空预测模型在面对不同下游数据集和任务中的分布变化时往往难以有效泛化。该框架的目的是将预训练模型适应于不同下游数据集的特定特征，提高了其在多种预测场景中的泛化能力。FlashST 能够捕获来自未见数据的上下文信号，有助于适应多种时空场景。该框架还能够弥合预训练模型与实际遇到的特定预测场景之间的语义差距，有效地增强了模型的泛化能力。FlashST具有模型无关和模型微调的优势，使其能够与各种现有的时空预测基线无缝集成，提供了极大的灵活性和准确的预测。此外，FlashST还提高了计算效率，能够快速适应新的时空数据集。FlashST通过增加不同区域对应嵌入之间的分离程度来增强提示嵌入的均匀性，使得下游模型能够更好地适应新的时空场景并做出更准确的预测。总体表现对比实验结果显示，FlashST 在多样化城市数据预测场景中展现出显著优势。未来的研究方向之一可能是探索在FlashST框架中整合大型语言模型作为知识指导的潜力。通过此项研究，可以看出FlashST框架具有非常重要的研究意义。
