TR-C 2026｜北交大 TransFM：统一建模多模态交通，实现跨城市泛化

由于微信推送机制改版是不是经常看不到论文推送啦如果你也在做交通机器学习相关研究别再让优质论文分享从指尖溜走了。给「交通遇上机器学习」点个⭐️星标第一时间获取最新论文解读、前沿方向不再错过任何一次灵感碰撞。把时间留给有价值的内容我们帮你筛选好。导读多模态交通需求精准预测是城市智慧出行、资源动态调配的核心支撑。现有模型要么专城专用、跨城失效要么强统一、弱差异难以兼顾模式特性与城市异质性。本文解读发表于Transportation Research Part C的最新成果 ——TransFM首次将基础模型范式引入跨城多模态交通需求预测用混合专家 记忆机制同时破解模式差异、跨城泛化两大难题在 6 城 4 模式 11 个数据集上实现显著性能突破为数据稀缺城市快速部署预测能力提供全新方案。1基本信息标题TransFM: A foundation model for cross‑city multimodal transportation demand prediction期刊:Transportation Research Part C: Emerging Technologies作者Zhihuan Jiang, Ailing Huang*, Renhe Jiang, Geqi Qi, Qian Luo, Yoshihide Sekimoto单位北京交通大学、东京大学、中国民航局第二研究所等关键词基础模型多模态交通系统时空预测混合专家跨城泛化发表时间2026年 3 月在线出版原文链接https://doi.org/10.1016/j.trc.2026.1056182核心创新点范式创新首次提出面向跨城市多模态交通需求预测的基础模型 TransFM从单城专用走向全域通用。模式级创新设计模式专用记忆增强混合专家MoE用私有记忆库编码模式专属特征通过跨模式记忆交互实现无真实出行关联下的模式联动建模。城市级创新提出跨城通用时空 MoE用异质性感知专家捕捉城‑模式独特性用通用原型记忆库提炼跨城可迁移时空规律平衡异质性与通用性。小样本优势小样本跨城场景仅微调6.50% 参数即可超越全量训练基线实现数据富城→贫城知识迁移。3论文摘要精准的多模态交通需求预测对无缝城市出行与主动资源配置至关重要。现有多模态需求预测面临根本困境专用模型适配特定城市 / 模式跨城泛化能力差通用模型强调跨城可迁移表示但对模式差异、城市异质性刻画不足。本文提出TransFM基础模型将多模态交通需求预测从传统单城范式推进至跨城场景解决两大核心挑战1模式层面协调模式专属属性与跨模式交互2城市层面弥合异质性与通用性。模式层面采用模式专用记忆增强混合专家为每种模式分配带私有记忆库的专属专家编码特征通过记忆交互实现跨模式知识联动城市层面采用跨城通用时空混合专家用异质性感知专家捕捉城‑模式时空差异用通用原型记忆库蒸馏跨城可迁移时空模式。在6 城 4 模式 11 个数据集上的实验表明TransFM 较先进基线平均提升 5.63%小样本跨城场景仅微调6.50% 参数即可取得最优性能验证其从数据富城向数据贫城迁移知识的卓越能力。4研究动机现实中城市交通系统包含地铁、网约车、出租车、共享单车等多种出行模式各模式在空间结构与功能定位上差异显著且同一模式在不同城市中的时空需求分布也存在巨大差异导致传统依赖单城市数据训练的专用模型在迁移至新城市时需要大量数据重训使数据稀缺城市难以部署。从学术角度看现有专用模型虽能在单城单模场景下实现精细建模但跨城市泛化能力极弱难以实现知识迁移而当前基础模型过于强调统一建模忽视不同交通模式之间的差异性难以捕捉城市与模式层面的细粒度异质性。同时跨模式交互建模通常依赖单城市内的真实出行关联一旦跨城市缺乏直接关联便难以发挥作用。因此亟需解决的核心科学问题是如何构建一个统一的交通基础模型在实现对各出行模式专属属性精准刻画的同时有效建模跨模式潜在关联精细捕捉城市—模式的时空异质性进而高效蒸馏跨城市的通用规律并支持在小样本条件下快速适配新城市或新出行模式。专用模型与基础模型在多模态需求预测中的对比不同交通模式特征与城市级时空异质性5研究方法整体框架跨城多模态交通需求序列 → 统一表征学习 → 模式专用记忆增强 MoE → 跨城通用时空 MoE → 时空解码 → 需求预测统一表征学习编码空间、时间、模式、城市四维信息生成多尺度嵌入通过 SwiGLU、空洞卷积、Meta‑GCN 完成初步时空特征提取适配不同模式空间单元站点 / 网格 / 区域。模式专用记忆增强 MoE为每种模式设专属专家 私有记忆库编码模式独有特征支持专家从自身 / 其他模式记忆库检索无真实出行关联下实现跨模式交互门控机制融合主专家本模式与辅助专家其他模式输出平衡专属特征与跨模知识。模式专用记忆增强混合专家MoE结构示意图跨城通用时空 MoE时空异质性感知 MoE用元学习生成城‑模式专属参数通过 GCRU 精细建模时空差异跨城通用原型记忆库共享基库 模式注入蒸馏跨城可迁移时空原型增强泛化能力。跨城市通用时空混合专家MoE结构示意图异质性感知专家结构示意图解码与输出时空自注意力解码 轻量级 MoE 输出层融合多尺度时空特征输出最终预测结果损失函数Huber 损失 MAPE联合优化。6实验结果在 8 个数据集上全面超越 ASTGCN、Graph WaveNet、AGCRN、MVSTT、STAEFormer、L‑STGTN、HimNet 等基线相对各数据集最优基线平均提升 5.63%MAE、RMSE、MAPE 全面最优。整体性能多模态对比移除模式专用 MoE、跨城时空 MoE 均导致性能显著下降两大核心模块缺一不可协同提升效果最优。小样本跨城泛化测试集上海地铁、北京地铁、北京出租车未训练城市仅用10% 训练数据微调 **≤6.50% 参数 **出租车仅 0.78%性能大幅超越需全参数训练的基线小样本跨城迁移能力碾压现有模型。可解释性城市 / 模式嵌入聚类清晰有效编码差异性记忆库可捕捉早晚高峰、工作日 / 周末等时间规律记忆表征与城市功能区POI、需求趋势高度对齐跨城市相似功能区记忆表征高度相似验证通用规律蒸馏有效。7未来展望拓展零样本预测能力进一步提升跨城跨模泛化性将 TransFM 架构推广至OD 预测、车速预测等更多城市交通预测任务融合更多维度数据如土地利用、天气、事件提升模型鲁棒性与适用场景轻量化与工程化部署面向真实城市多模式协同调度落地应用。TransFM 首次将基础模型范式落地跨城多模态交通需求预测用混合专家 记忆架构平衡模式专属、跨模交互、城市异质、跨城通用在精度与泛化性上取得双重突破为数据稀缺城市快速构建智慧交通预测系统提供了低数据成本、高泛化、快部署的全新技术路径。期待你的分享点赞在看END欢迎关注微信公众号《当交通遇上机器学习》如果你和我一样是轨道交通、道路交通、城市规划相关领域的也可以加微信Dr_JinleiZhang备注“进群”加入交通大数据交流群希望我们共同进步· 往期推荐TR-C 2026 | 同济GATSim基于生成式智能体的城市交通仿真框架TITS |基于动态超图卷积的地铁客流预测ACM | 提示赋能的通用城市时空预测模型TITS | 一种用于地铁客流需求预测的深度多任务学习模型IEEEICDE2025 | TimeKD融合大语言模型与知识蒸馏的时间序列预测方法