面向起讫点（Origin-Destination）需求预测的连续时间与离散时间表征学习

基于摘要分析。本文研究城市交通中的起讫点（Origin-Destination，OD）需求预测，提出结合连续时间与离散时间表征学习的框架，以同时利用带时间戳的 OD 订单事件和固定时间窗内的宏观信息。其主要研究对象是交通需求，而非 EEG 或 BCI。 对于 N 个站点，任务需要预测站点对之间的 N² 条需求时间序列。作者认为，单一离散时间建模未能充分利用连续时间订单的信息。所提框架为节点维护记忆表征：连续时间模块在观测到带时间戳的 OD 交易时更新节点表征；离散时间模块生成覆盖固定时间间隔的信息；co-updater 将两类消息融合至节点记忆；图注意力模块再利用更新后的记忆生成节点嵌入，预测未来 OD 需求矩阵。摘要未给出具体损失函数、更新公式及训练设置。 作者报告，在真实世界数据集上，相较其他方法取得显著且一致的改进，但摘要未列出数据集名称、评价指标、数值、划分协议或对照方法，因此尚不能核对增益幅度及统计显著性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于同时存在不规则事件流与规则采样信号的 EEG 建模，例如融合外部刺激时间戳与固定窗 EEG 特征。原方法依赖具有起讫节点和时间戳的交易数据；EEG 电极关系并不天然等同于 OD 交易，需要重新定义事件、节点及消息。可考虑复用双时间尺度记忆融合思路，但输入编码和预测头需改造，低信噪比、事件稀疏、通道变化及小样本可能使记忆更新不稳定或过拟合。一个可证伪的小实验是在相同 EEG 编码器与被试内划分下，对比固定窗模型和加入事件驱动记忆更新的模型，核对真实时间戳是否优于打乱时间戳的对照。此处仅为迁移假设，已有 EEG 相关工作尚未检索确认。