软件学报

作者：赵文竹，袁冠，张艳梅，乔少杰，王森章，张雷

单位：赵文竹，中国矿业大学 计算机科学与技术学院, 江苏 徐州 22111611,袁冠，中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116;矿山数字化教育部工程研究中心, 江苏 徐州 22111602,张艳梅，中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116;矿山数字化教育部工程研究中心, 江苏 徐州 22111603,乔少杰，成都信息工程大学 软件工程学院, 四川 成都 61022504,王森章，中南大学 计算机学院, 湖南 长沙 41008305,张雷，同济大学 上海自主智能无人系统科学中心, 上海 20121006

关键词：交通流量预测;多视角时空特征;图卷积网络(GCN);时空图数据;注意力机制

基金：国家自然科学基金(62272461, 71774159, 61871686, 62272066); 中国博士后科学基金(2021T140707); 徐州市科技基金 (KC22047)

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分. 时空图神经网络由于具有强大的时空数据表征能力, 被广泛应用于城市交通流量预测. 当前, 时空图神经网络在城市交通流量预测中仍存在以下两方面局限性: 1) 直接构建静态路网拓扑图对城市空间相关性进行表示, 忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性, 无法捕获路网节点之间在时序上的动态关联; 2) 只考虑路网节点的局部空间相关性, 忽略节点的全局空间相关性, 无法建模交通路网中局部区域和全局空间之间的依赖关系. 为打破上述局限性, 提出了一种多视角融合的时空动态图卷积模型用于预测交通流量: 首先, 从静态空间拓扑和动态流量模式视角出发, 构建路网空间结构图和动态流量关联图, 并使用动态图卷积学习节点在两种视角下的特征, 全面捕获城市路网中多元的空间相关性; 其次, 从局部视角和全局视角出发, 计算路网的全局表示, 将全局特征与局部特征融合, 增强路网节点特征的表现力, 发掘城市交通流量的整体结构特征; 接下来, 设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性, 实现在多种时间窗口下的准确流量预测; 最后, 在4种真实交通数据上的实验结果, 证明了该模型的有效性和准确性.

来源：2024年第4期

《软件学报》期刊编辑部

查看软件学报杂志2024年第4期