基于时空多图融合的交通流量预测

作     者：顾焰杰 张英俊 刘晓倩 周围 孙威 GU Yanjie;ZHANG Yingjun;LIU Xiaoqian;ZHOU Wei;SUN Wei

作者机构：北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室(北京交通大学)北京100044 北京交通大学智慧高铁系统前沿科学中心北京100044 交通大数据与人工智能教育部重点实验室(北京交通大学)北京100044 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第8期

页      面：2618-2625页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中央高校基本科研业务费专项(科技领军人才团队项目)(2022JBQY009) 

主　　题：多图融合 多核注意力 空间注意力 图注意力 深度学习 

摘      要：交通预测是智能交通系统(ITS)的核心任务,准确的交通流量预测(TFF)可以大幅提高公共资源的利用效率。针对现有多图神经网络模型对上下文信息使用不足、图融合方法不平衡和只考虑静态空间关系等问题,提出基于时空多图融合(STMGF)的TFF模型。首先,通过融合空间图、语义图和空间语义图提取不同区域的不同空间相关性,并利用空间注意力机制和图注意力机制融合不同的图结构以动态学习不同邻居的重要性;然后,使用多核时间注意力机制同时捕获局部时间依赖性和全局时间依赖性;最后,使用多层感知机预测交通流量,得到最终预测值。在NYCTaxi和NYCBike数据集验证模型的有效性。实验结果表明,在NYCBike数据集的36步预测任务中,与时空图卷积神经网络(STGCN)、基于时空注意力的图神经网络(ASTGNN)、元图卷积递归网络(MegaCRN)相比,所提模型的均方根误差(RMSE)分别降低了8.46%、2.70%和2.20%。