跨交通模式知识迁移新框架TransMod发布：仅需少量目标数据即可预测多模式出行需求
arXiv论文提出统一框架TransMod，通过共享空间表征对齐不同粒度交通系统，将数据丰富模式的知识迁移至新兴模式，缓解历史数据不足问题。
AI解读：这篇论文要解决的是城市里多种出行方式（公交、网约车、共享单车等）一起预测需求时，新兴模式历史数据太少而难以建模的问题。作者提出的TransMod框架，先把不同空间粒度的交通系统对齐到同一个空间表征上，再把数据充足的模式（如公交）上学到的时空模式迁移到数据稀少的模式上。对城市交通管理者或出行平台来说，这意味着不用等新业务跑很久积累数据，也能尽早开始预测需求、做调度。需注意的是，论文只报道了在真实数据集上比现有方法更稳定、表现更好，没有给出具体城市和应用细节，性能提升幅度也未说明，所以不能据此判断能否直接部署到某个城市。
arXiv于 2026 年 8 月 28 日首次发布、9 月 3 日更新（v2）的论文《Learning to Transfer Across Modes: Towards Unified Urban Mobility Forecasting》中，研究者Yixuan Zhao与Man Luo提出TransMod，一个用于城市多模式出行需求预测的统一框架，通过跨异构模式的知识迁移，缓解新兴模式历史数据不足的问题。
问题与动机
论文指出，同一城市中的多种交通模式（如公交、地铁、网约车等）并存且相互依赖，跨模式的需求动态具有相关性。但联合预测不同模式的出行需求面临两大障碍：一是空间异质性显著，不同模式系统的空间结构往往不兼容；二是新兴模式的历史数据有限。
现有预测方法大多针对单一交通模式开发，并隐含假设源系统与目标系统共享兼容的空间结构，使其在多数多模式场景下难以适用。
TransMod的设计
TransMod首先构建一个共享的区域级（zone-level）空间表征，将不同空间粒度（如精细化网格与较粗的交通分析区域）的移动系统对齐到同一空间中，以减少结构不匹配与分布偏移。
在此统一表征之上，模型从数据丰富的源模式学习可迁移的时空模式，并将其适配到数据稀缺的目标模式，从而降低对目标领域大量历史数据的需求。
实验与结果
据论文摘要，在真实世界数据集上的大量实验表明，TransMod的表现持续优于现有方法，并在目标数据有限的条件下提供稳定的预测性能。
依据的是论文摘要，未提供实验细节（如具体城市、对比基线、性能提升幅度等）。
发布信息
论文以机器学习（cs.LG）类别收录于arXiv，编号 2608.28273，DOI为 10.48550/arXiv.2608.28273，作者之一Yixuan Zhao为投稿通讯作者。