Page 173 - 《软件学报》2024年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2024,35(4):1751−1773 [doi: 10.13328/j.cnki.jos.007018] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

∗
多视角融合的时空动态 GCN 城市交通流量预测

1,2
1,2
4
3
1
赵文竹 , 袁 冠 , 张艳梅 , 乔少杰 , 王森章 , 张 雷 5
1 (中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116)
2 (矿山数字化教育部工程研究中心, 江苏 徐州 221116)
3 (成都信息工程大学 软件工程学院, 四川 成都 610225)
4 (中南大学 计算机学院, 湖南 长沙 410083)
5 (同济大学 上海自主智能无人系统科学中心, 上海 201210)
通信作者: 袁冠, E-mail: yuanguan@cumt.edu.cn

摘 要: 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.
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
中图法分类号: TP18

中文引用格式: 赵文竹, 袁冠, 张艳梅, 乔少杰, 王森章, 张雷. 多视角融合的时空动态 GCN 城市交通流量预测. 软件学报,
2024, 35(4): 1751–1773. http://www.jos.org.cn/1000-9825/7018.htm
英文引用格式: Zhao WZ, Yuan G, Zhang YM, Qiao SJ, Wang SZ, Zhang L. Multi-view Fused Spatial-temporal Dynamic GCN for
Urban Traffic Flow Prediction. Ruan Jian Xue Bao/Journal of Software, 2024, 35(4): 1751−1773 (in Chinese). http://www.jos.org.cn/
1000-9825/7018.htm
Multi-view Fused Spatial-temporal Dynamic GCN for Urban Traffic Flow Prediction

1,2
1
4
3
1,2
5
ZHAO Wen-Zhu , YUAN Guan , ZHANG Yan-Mei , QIAO Shao-Jie , WANG Sen-Zhang , ZHANG Lei
1 (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, China)
2 (Engineering Research Center of Mine digitalization of Ministry of Education, Xuzhou 221116, China)
3 (School of Software Engineering, Chengdu University of Information Technology, Chengdu 610225, China)
4 (School of Computer Science and Engineering, Central South University, Changsha 410083, China)
5 (Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, Shanghai 201210, China)

∗ 基金项目: 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)
本文由“绿色低碳机器学习研究与应用”专题特约编辑封举富教授、俞扬教授、刘淇教授推荐.
收稿时间: 2023-05-15; 修改时间: 2023-07-07; 采用时间: 2023-08-24; jos 在线出版时间: 2023-09-11
CNKI 网络首发时间: 2023-11-24