📊 statistics

Robust OT-Guided Generative Residual Domain Adaptation for Bike-Sharing Demand Prediction under Temporal Domain Shift

本文提出了 Gen-ROTDA，这是一种鲁棒的、由最优传输引导的生成式残差域适应框架，它通过迁移残差模式并剔除高成本传输匹配，有效预测了时间域偏移下的共享单车需求，在噪声环境和多年期场景中优于多种基线方法。

原作者： Yiming Ma

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Yiming Ma

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位城市规划师，试图预测在特定小时从某个特定站点租出自行车的数量。你拥有一个非常智能的计算机模型，它是基于去年（2025 年）的数据训练而成的。你希望利用该模型来预测明年（2026 年）的需求。

问题在于人们会改变。也许一座新的办公楼开业了，天气模式发生了转变，或者通勤者的习惯改变了。如果你直接使用去年的模型，它会犯错，因为城市的“规则”已经变了。这被称为时间域偏移（Temporal Domain Shift）。

本文介绍了一种名为Gen-ROTDA的新方法来解决这个问题。以下是其工作原理，通过简单的类比进行解释：

1. “锚点”与“漂移”（分解）

想象自行车的需求就像河上的一艘船。

锚点：有些关于船的东西无论哪一年都保持不变。站点的位置、一天中的时间以及是否是周末，就像船的锚。这些是稳定的。作者们构建了一个仅针对这些稳定部分的简单模型。
漂移（残差）：发生变化的部分是“漂移”——由新事件、异常天气或习惯转变引起的额外需求。这是混乱且不可预测的部分。

作者的方法不再试图重新预测整个船只的移动，而只尝试预测漂移（即残差）。他们从真实数据中减去稳定的“锚点”预测，仅尝试修正剩下的混乱部分。这使得问题变得容易得多。

2. “翻译器”（生成器）

现在，想象你有一本 2025 年（源）的字典，而你需要说 2026 年（目标）的语言。词汇略有不同。

本文使用了一个生成器（一个小型 AI 翻译器）。它接收 2025 年的“漂移”数据，并对其进行微调，使其看起来更像 2026 年的数据。
关键在于，它不会重写整个故事；它只是添加了一个小小的“翻译层”，使 2025 年的数据能更好地契合 2026 年的模式，同时不丢失原始含义。

3. 带有“安全网”的“智能媒人”（鲁棒最优传输）

这是最重要的部分。为了训练模型，你需要将 2025 年的数据点与 2026 年的数据点进行匹配。

标准匹配（OT）：想象一位媒人试图根据相似程度将 2025 年和 2026 年的数据点配对。
问题：有时，2026 年的数据包含“噪声”——由突发风暴、数据故障或一次性事件引起的奇怪记录。标准的媒人可能会强行将正常的 2025 年一天与奇怪的 2026 年一天配对，从而破坏预测。
解决方案（鲁棒 OT）：作者们添加了一个安全网。在最终确定匹配之前，系统会检查每个匹配的“成本”。如果某个匹配过于奇怪或代价高昂（例如试图将晴天与飓风天配对），系统会切断该匹配并忽略它。它只保留“好”的匹配来训练模型。

他们发现了什么？

作者在 2021 年至 2026 年纽约市的Citi Bike数据上测试了这种方法。

在主任务上表现最佳：在基于 2025 年预测 2026 年方面，他们的方法（Gen-ROTDA）与其他方法相比错误最少。
“安全网”是关键：当他们故意在 2026 年数据集中添加“垃圾”或奇怪数据（模拟恶劣天气或数据错误）时，标准方法变得困惑并失败。而 Gen-ROTDA 凭借其“安全网”（鲁棒 OT）保持了冷静和准确。
并非万能灵药：虽然它在处理“噪声”数据方面表现最好，并且在“最优传输”家族中是顶级方法，但像简单的“微调”（在新数据上轻微重新训练模型）这样的简单方法总体上仍然是非常强劲的竞争对手。

核心结论

本文认为，在跨年份预测自行车需求时，你不应该试图一次性预测所有内容。相反，应该：

分离稳定部分与变化部分。
翻译变化部分，使其看起来像新一年。
忽略那些没有意义的奇怪、噪声匹配。

通过这样做，模型会变得更加可靠，尤其是在现实世界数据混乱或包含意外惊喜的情况下。

技术摘要：用于共享单车需求预测的鲁棒最优传输引导生成式残差域适应

问题陈述
基于历史站点 - 小时数据训练的共享单车需求预测模型，由于时间域偏移，在部署到后续年份时往往会出现性能下降。站点受欢迎程度的变化、通勤行为、骑行者构成以及运营模式的改变，都会改变底层数据分布（ $P_s(X, Y) \neq P_t(X, Y)$ ）。需求数据固有的稀疏性、偏态和噪声加剧了这一挑战，其中少数站点和高峰时段主导了预测误差。此外，目标域可能包含由异常事件或数据质量问题导致的异常记录，这会破坏标准域适应方法的稳定性。本文针对从 2021 年到 2026 年预测 Citi Bike 3 月份需求的具体任务，重点将 2025 年至 2026 年的迁移作为主要评估场景。

方法论：Gen-ROTDA
本文提出了Gen-ROTDA（生成式鲁棒最优传输域适应），这是一个旨在通过残差分解、特征生成和鲁棒传输对齐相结合来处理时间偏移的框架。该方法论包含四个关键阶段：

锚点 - 残差分解：
该方法不直接迁移原始需求，而是将经对数转换的需求（ $z = \log(1+Y)$ ）分解为两个组件：
- 锚点组件： 一个目标域模型 $a_\phi(A)$ ，利用稳定的空间和日历特征（如坐标、小时、星期几）在标记的目标样本上进行训练。该组件捕捉了稳定的站点 - 时间结构。
- 残差组件： 差值 $r = z - a_\phi(A)$ ，其中包含特定年份的动态变化。域适应仅应用于该残差组件。
标签保持残差特征生成器：
确定性生成器 $G_\theta(T) = T + h_\theta(T)$ （其中 $h_\theta$ 是一个小型多层感知机）将源残差特征转换为与目标特征相似的特征。与随机生成对抗网络（GAN）不同，该生成器旨在在对齐分布的同时，使转换后的特征保持接近原始表示。训练目标结合了：
- 生成源特征与目标特征之间的分布对齐损失（MMD 风格）。
- 恒等正则化，以防止特征过度移动。
- 标签保持和监督损失，以确保保留与需求相关的信息。
鲁棒最优传输（OT）对齐：
特征生成后，该方法利用最优传输对齐源分布和目标分布。为了解决标准 OT 对异常值的敏感性，Gen-ROTDA 采用了鲁棒修剪步骤：
- 按成本对传输耦合条目进行排序。
- 移除高成本匹配（异常值），直到保留的质量达到指定阈值（例如 0.8）。
- 对剩余的耦合进行重新归一化以计算重心投影。如果某一行源数据失去了所有质量，则保留原始生成特征作为回退方案。
最终预测：
在传输后的源残差和标记的目标残差（目标残差被加权）上训练残差预测器。最终的需求预测通过将预测的残差加到锚点预测上，并应用逆对数转换来重构。

主要贡献

问题表述： 本文将跨年份的共享单车预测表述为残差时间域适应问题，将稳定的结构效应与可迁移的残差动态分离。
框架提出： 它引入了 Gen-ROTDA，该框架独特地将确定性、标签保持的残差特征生成器与鲁棒 OT 修剪相结合。
综合评估： 该方法在 Citi Bike 数据（2021–2026）上进行了评估，涵盖主要任务、多年迁移、针对异常记录的鲁棒性测试以及消融研究。

实验结果

主要任务（2025 $\to$ 2026）： Gen-ROTDA 实现了最低的0.8625平均绝对误差（MAE），优于仅源基线（0.8834）和 Sinkhorn OTDA 变体（0.8633）。虽然 Gen-OTDA（无鲁棒修剪）实现了最低的均方根误差（RMSE）和最高的 $R^2$ ，但 Gen-ROTDA 在最小化平均绝对误差方面表现更优，这对于稀疏且偏态的需求数据至关重要。
多年性能： 在相邻年份和两年迁移任务中，Gen-ROTDA 是OT 家族中表现最佳的方法，略优于 Sinkhorn OTDA、ROTDA 和 Gen-OTDA。然而，在整体平均 MAE 方面，它并未超越微调（Fine-tuning）和 MMD 适应等强基线。
鲁棒性： 在注入异常目标记录（高达 20% 污染）的情况下，Gen-ROTDA 表现出卓越的稳定性。其 MAE 仅略有增加（从 0.8625 增至 0.8629），而非鲁棒变体（Sinkhorn OTDA 和 Gen-OTDA）则显示出显著的性能下降。
消融研究： 研究证实，鲁棒 OT 修剪是 MAE 提升的主要驱动力。生成器提供了适度的额外收益，但单独来看并非主导因素。

意义与主张
本文主张，鲁棒传输是处理城市移动性预测中噪声时间迁移的关键组件。通过修剪高成本传输匹配，该方法有效减轻了通常会使标准 OT 方法不稳定的异常目标记录的影响。

作者将 Gen-ROTDA 定位为并非在所有基线中普遍优越的预测器（承认简单的微调和 MMD 适应仍然很强），而是一种鲁棒的 OT 家族方法，在存在数据异常的情况下能提供显著的稳定性。锚点 - 残差设计被强调为一种实用策略，用于隔离稳定结构，使残差适应问题维度更低且更易处理。研究结果表明，虽然生成式特征转换提供了灵活性，但其价值是互补的且依赖于任务，而鲁棒对齐对于嘈杂环境下的可靠时间域适应至关重要。