动态交互图卷积循环网络：解决双向时空交通流预测中的不对称依赖挑战

本文提出动态交互图卷积循环网络（DIGCRN），创新性地通过交互门控机制（Interactive Gated Mechanism）和自适应图卷积网络（Graph Convolutional Network, GCN）耦合门控循环单元（Gated Recurrent Unit, GRU），解决了交通流入/流出预测中的时空异质性（Spatiotemporal Heterogeneity）和不对称相互依赖（Asymmetric Interdependence）两大难题。在杭州地铁（Hangzhou Metro）和纽约出租车（New York City Taxi）数据集上，DIGCRN在平均绝对误差（MAE）和均方根误差（RMSE）上分别提升达3.46%和7.28%，显著优于现有基线模型。

　　

Highlight

• •
  协同预测框架（Collaborative Prediction Framework）：我们将交通网络中的流入量和流出量明确区分为两种不同但相关的交通模式。我们提出的DIGCRN模型能够联合建模它们的双向时空演化，突破了传统方法仅预测总流量或简单拼接的局限。
• •
  流量感知编码器（Flow-aware encoder）：我们设计了一个双流时空编码器——分别为每个方向耦合GCN和GRU——从而在保持方向特异性的同时，实现流入和流出的多尺度联合时空特征提取。
• •
  门控交互机制（Gated interaction mechanism）：我们提出了交互式图卷积模块（Interactive Graph Convolutional Module, IGCN），该模块通过动态且方向敏感的自适应邻接矩阵，在特征级别对流入和流出进行校准。这明确地捕获了两者之间的不对称流间依赖关系，进一步提高了预测精度。

Conclusion

所提出的DIGCRN旨在解决交通流入和流出预测中的挑战：流入和流出之间不对称相互依赖关系的建模以及时空异质性。该模型的核心是IGCN模块，它通过动态学习方向特定的邻接矩阵，并利用交互门控机制更新双向流量特征以反映流入和流出之间的关系，为双向流量建模引入了一种新方法。