Page 374 - 《软件学报》2025年第8期

李云 等: 面向数据稀缺场景的智能交通流量预测 3797

间特征, 提取到的特征不够准确, 因此精度仍低于 TL-STGCN 模型.
对于 TL-STGCN 模型的两个变种 S-only 和 TL-STGCN-noTA 而言, S-only 将本文的时空图卷积网络直接用
于迁移学习任务, 由于源域和目标域间特征表示分布的差异较大, 因此在迁移学习任务中, 该方法性能最差. TL-
STGCN-noTA 加入了本文的域适应模块, 没有加入时间注意力机制, 其预测精度较高, 这是因为通过域适应的方
式能减小域间特征表示的差异, 从而更好地将源域中丰富的知识用于目标域中, 说明了本文域适应模块的有效性.
TL-STGCN 结合了时间注意力机制, 能够更好地提取数据间的时间相关性, 由上述可知, TL-STGCN 模型对于数
据稀缺的交通路网的预测问题, 有更好的预测效果.

表 4 TL-STGCN 与基线在评价指标上的性能对比

评价指标 目标域 源域 HA GRU GCN STGCN DastNet MGAT S-only TL-STGCN- TL-
noTA STGCN
S-PEMS08 35.73 36.53 － 38.51 34.93
T-PEMS04 S-METR-LA 74.91 43.86 43.72 42.99 29.05 28.82 35.32 28.95 28.41
S-PEMS-BAY 26.98 26.63 32.47 27.01 26.35
S-PEMS04 23.59 23.51 27.22 23.41 22.80
T-PEMS08 S-PEMS-BAY 56.82 26.80 35.03 26.51 26.03 25.78 30.58 25.90 25.36
S-METR-LA 26.81 25.48 27.95 25.61 25.15
MAE
S-PEMS04 4.68 4.62 4.97 4.72 4.50
T-PEMS-BAY S-PEMS08 18.85 6.88 7.71 6.60 6.85 6.83 7.86 6.51 6.03
S-METR-LA 6.42 6.43 8.58 6.30 6.19
S-PEMS-BAY 7.86 7.90 7.93 8.11 7.74
T-METR-LA S-PEMS04 19.54 12.15 10.04 7.91 7.69 7.61 8.36 7.84 7.50
S-PEMS08 7.90 7.57 7.98 7.59 7.42
S-PEMS08 32.01 32.36 － 31.61 31.46
T-PEMS04 S-METR-LA － 39.59 36.23 38.81 31.06 30.94 32.65 30.68 30.01
S-PEMS-BAY 23.85 23.53 24.61 23.64 23.16
S-PEMS04 36.76 36.89 36.74 37.98 36.08
T-PEMS08 S-PEMS-BAY － 38.36 40.73 40.48 38.63 38.12 38.67 37.93 37.61
S-METR-LA 38.41 38.36 38.94 37.99 37.95
MAPE (%)
S-PEMS04 8.71 8.93 9.80 9.03 8.44
T-PEMS-BAY S-PEMS08 － 15.00 16.29 13.96 11.12 10.98 12.64 10.86 10.69
S-METR-LA 13.12 13.06 16.18 13.09 12.87
S-PEMS-BAY 27.01 26.93 27.58 26.73 26.68
T-METR-LA S-PEMS04 － 35.41 33.37 26.91 26.03 25.83 27.69 25.81 25.38
S-PEMS08 25.13 24.98 26.95 25.03 24.81
S-PEMS08 51.25 50.95 － 55.02 50.16
T-PEMS04 S-METR-LA 113.23 60.73 60.91 60.23 56.85 55.98 64.61 57.82 55.42
S-PEMS-BAY 53.92 54.26 60.63 55.96 53.51
S-PEMS04 36.98 36.72 43.60 37.20 36.14
T-PEMS08 S-PEMS-BAY 80.39 42.29 58.16 41.98 40.21 39.78 46.88 39.87 39.04
S-METR-LA 40.79 40.67 42.54 40.98 40.23
RMSE
S-PEMS04 6.78 6.83 7.92 6.98 6.55
T-PEMS-BAY S-PEMS08 16.90 9.61 10.76 9.21 7.03 6.98 7.35 6.99 6.68
S-METR-LA 8.86 8.98 11.67 8.79 8.34
S-PEMS-BAY 11.43 11.39 11.21 11.61 11.17
T-METR-LA S-PEMS04 24.14 14.20 13.47 11.19 10.69 10.56 10.99 10.39 10.26
S-PEMS08 10.53 10.78 11.65 10.93 10.17

(2) 路网数据稀缺率的影响
为了进一步证明本文所提出的模型的有效性, 以及数据稀缺率对预测结果的影响, 在此对 30 min 的交通流预