软件学报

作者：李云，高雅，姚枝秀，夏士超，吴广富

单位：李云，重庆邮电大学 计算机科学与技术学院, 重庆 400065;重庆邮电大学 通信与信息工程学院, 重庆 40006511,高雅，重庆邮电大学 计算机科学与技术学院, 重庆 40006502,姚枝秀，重庆邮电大学 通信与信息工程学院, 重庆 400065;重庆邮电大学 软件工程学院, 重庆 40006503,夏士超，重庆邮电大学 软件工程学院, 重庆 40006504,吴广富，重庆邮电大学 软件工程学院, 重庆 40006505

关键词：智能交通;交通流预测;图卷积网络;注意力机制;迁移学习

基金：国家自然科学基金(62301099, 62071077); 中国博士后科学基金(2023MD734137); 重庆市自然科学基金创新发展联合基金(2022NSCQ-LZX0191); 重庆市教委科学技术研究项目(KJQN202300638)

交通流预测是智能交通系统(intelligent transportation system, ITS)中交通管理的重要基础和热门研究方向. 传统的交通流预测方法通常需要借助大量高质量历史观测数据进行预测, 而针对更为普遍的数据稀缺的交通路网场景预测精度则急剧下降. 针对这一问题, 提出一种基于时空图卷积网络的迁移学习模型(transfer learning based on spatial-temporal graph convolutional network, TL-STGCN), 结合数据充足的源路网的交通流特征, 辅助预测数据稀缺的目标路网未来交通流. 首先, 采用基于时间注意力的时空图卷积网络学习源路网和目标路网交通流数据的时空特征表示; 其次, 结合迁移学习方法, 提取两个路网特征表示的域不变时空特征; 最后, 利用这些域不变时空特征对目标路网未来交通流做出预测. 为了验证模型的有效性, 在真实世界数据集上进行实验. 结果表明, 与现有方法对比, TL-STGCN在平均绝对误差、均方根误差以及平均绝对百分比误差指标中均取得最高精度, 证明对于数据稀缺的交通路网预测任务, TL-STGCN具有更好的预测性能.

来源：2025年第8期

《软件学报》期刊编辑部

查看软件学报杂志2025年第8期