Page 365 - 《软件学报》2025年第8期

3788 软件学报 2025 年第 36 卷第 8 期

temporal features are extracted from the representations of the two networks using transfer learning techniques. Lastly, these domain-
invariant features are utilized to predict the future traffic flow in the target network. To validate the effectiveness of the proposed model,
experiments are conducted on real-world datasets. The results demonstrate that TL-STGCN outperforms existing methods by achieving the
highest accuracy in mean absolute error, root mean square error, and mean absolute percentage error, which proves that TL-STGCN
provides more accurate traffic flow predictions for scenarios with data scarcity in traffic networks.
Key words: intelligent transportation; traffic flow prediction; graph convolutional network (GCN); attention mechanism; transfer learning

随着经济的发展, 科技的进步, 汽车保有量不断增加, 交通系统不断扩张且变得愈加复杂, 城市道路变得拥堵,
人们的出行变得愈发困难. 智能交通系统 (intelligent traffic system, ITS) 用于规划管理和智能调度交通运行已成为
未来的建设趋势 [1] . 准确地预测未来交通流是智能交通系统的基础和核心任务, 有助于提前预知路况, 缓解道路拥
堵, 同时为行程规划、地区功能划分等上层任务提供基础.
传统的交通预测模型包括历史平均模型、自回归平均移动模型等统计学习方法. 这些模型算法简单, 但在实
际应用中对高度非线性交通流的预测能力有限. 近年来随着深度学习研究的发展, 深度学习的方法如循环神经网
络 (recurrent neural network, RNN) 和门控卷积网络 (gated convolutional neural network, Gated CNN) 等被广泛应用
在交通预测任务中 [2] . 该类方法可以利用自循环机制和数据的时间依赖性进行预测, 与统计学习的方法相比预测
精度更高. 然而, 交通流是一种典型的时空数据, 在进行预测时既需要考虑道路网络的时间依赖性, 同时也需要考虑
其空间依赖性. 对此, 一些研究 [3,4] 采用 RNN 等提取交通流数据的时间依赖性, 并结合卷积神经网络 (convolutional
neural network, CNN) 提取空间依赖性, 进而得到交通流数据完整的时空依赖性. 但传统的 CNN 只适用于规则的
欧几里得空间结构数据, 这些方法仅适用于网格结构的交通路网. 然而, 大部分的交通路网本质上是图结构的, 因
此一些研究 [5−8] 引入了图神经网络 (graph neural network, GNN) 来提取此类非欧几里得数据的空间特征, 同时结合
RNN 或 Gated CNN 方法提取交通流数据时间特征, 并结合注意力机制从而更好地关注到关键信息. 这些方法在交
通路网预测任务中取得了良好的效果.
然而, 上述研究工作大多基于大量完备的历史观测数据来进行有效的预测, 这对于一些交通路网是不现实的.
例如, 一些交通路网遭受天气、停电、机器故障等影响会导致路网数据丢失或异常; 或由于隐私问题, 历史交通数
据不可使用; 还有部分地区发展水平低, 传感器数量少, 导致数据稀缺. 一般而言, 数据稀缺指的是交通路网中一段
时间或某些时间的交通流数据不连续, 丢失, 难以获取, 或者收集到的数据样本少. 在这些情况下, 缺少历史观测数
据, 传统方法往往从大量历史数据中提取时空相关性, 在数据稀缺时这些方法提取到的特征不准确, 因此无法对未
来交通流进行准确的预测. 迁移学习是解决交通预测中数据稀缺问题的有效方法, 将数据丰富的交通路网作为源
域, 数据稀缺的交通路网作为目标域, 通过迁移学习从源域中学习可转移知识, 以辅助目标域进行交通流预测. 近
年来, 一些研究 [9−12] 已经将迁移学习的方法用于交通预测任务中, 然而这些方法基于 CNN 网络将交通路网划分成
网格结构, 所以不适用于图结构的交通数据. 部分研究 [13] 将图嵌入和迁移学习结合起来, 但是交通流数据有强烈
的时间相关性, 这种方法忽略了数据间的长期依赖关系, 对于时间特征的提取不够深入. 因此, 如何在历史观测数
据稀缺的图结构交通路网上准确地预测其未来交通流, 仍然是值得解决的问题.
针对上述问题, 本文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), 该模型利用时空图卷积网络结合迁移学习来预测目标域的未来交通流.
本文的贡献如下.
(1) 提出一种基于时空图卷积网络的迁移学习模型 TL-STGCN, 从数据充足的源路网中学习可转移的知识, 用
以解决数据稀缺的目标交通路网的未来交通流预测问题.
(2) 采用时间注意力机制, 给予关键信息更多关注, 对时序数据的长期依赖关系进行处理, 从而捕捉交通数据
不同时间之间的动态相关性. 进一步结合 GNN 与 Gated CNN 构成时空图卷积网络, 以提取源路网和目标域交通
路网的时空特征表示. 将时空图卷积网络与对抗性域适应相结合, 以减小两个域间特征表示分布的差异, 促进知识
的迁移.
(3) 在真实世界的交通数据集中进行了实验, 并与多种基线方法进行对比, 采用了平均绝对误差、均方根误差