Page 364 - 《软件学报》2025年第8期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(8):3787−3801 [doi: 10.13328/j.cnki.jos.007239] [CSTR: 32375.14.jos.007239] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
面向数据稀缺场景的智能交通流量预测

李 云 1,2 , 高 雅 1 , 姚枝秀 2,3 , 夏士超 3 , 吴广富 3

1
(重庆邮电大学 计算机科学与技术学院, 重庆 400065)
2
(重庆邮电大学 通信与信息工程学院, 重庆 400065)
3
(重庆邮电大学 软件工程学院, 重庆 400065)
通信作者: 夏士超, E-mail: xiashichao@cqupt.edu.cn

摘 要: 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.
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
中图法分类号: TP311

中文引用格式: 李云, 高雅, 姚枝秀, 夏士超, 吴广富. 面向数据稀缺场景的智能交通流量预测. 软件学报, 2025, 36(8): 3787–3801.
http://www.jos.org.cn/1000-9825/7239.htm
英文引用格式: Li Y, Gao Y, Yao ZX, Xia SC, Wu GF. Intelligent Traffic Flow Prediction for Data Scarcity Scenarios. Ruan Jian Xue
Bao/Journal of Software, 2025, 36(8): 3787–3801 (in Chinese). http://www.jos.org.cn/1000-9825/7239.htm

Intelligent Traffic Flow Prediction for Data Scarcity Scenarios
1,2
3
2,3
1
LI Yun , GAO Ya , YAO Zhi-Xiu , XIA Shi-Chao , WU Guang-Fu 3
1
(School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
2
(School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065,
China)
3
(School of Software Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
Abstract: Traffic flow prediction is an important foundation and a hot research direction for traffic management in intelligent
transportation systems (ITS). Traditional methods for traffic flow prediction typically rely on a large amount of high-quality historical
observation data to achieve accurate predictions, but the prediction accuracy significantly decreases in more common scenarios with data
scarcity in traffic networks. To address this problem, a transfer learning model is proposed based on spatial-temporal graph convolutional
networks (TL-STGCN), which leverages traffic flow features from a source network with abundant data to assist in predicting future traffic
flow in a target network with data scarcity. Firstly, a spatial-temporal graph convolutional network based on time attention is employed to
learn the spatial and temporal features of the traffic flow data in both the source and target networks. Secondly, domain-invariant spatial-

* 基金项目: 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)
收稿时间: 2023-07-12; 修改时间: 2024-03-15, 2024-05-15; 采用时间: 2024-06-17; jos 在线出版时间: 2024-11-18
CNKI 网络首发时间: 2024-11-20