注意力动态图卷积网络（ADGCN）：面向智能交通系统的高效交通流预测新方法

《Engineering Applications of Artificial Intelligence》：Attention dynamic graph convolutional network for traffic flow prediction

本文提出注意力动态图卷积网络（ADGCN），通过集成自适应动态图卷积、轻量门控循环单元（GRU）及改进注意力机制，有效解决交通流预测中动态时空依赖捕获难、计算复杂度高的瓶颈。模型在六个真实数据集上验证，显著降低训练时间（最高47%）并提升预测精度（MAE、RMSE、MAPE），为资源受限设备部署和实时智能交通系统（ITS）应用提供高效解决方案。

　　

亮点

本研究提出注意力动态图卷积网络（ADGCN），通过动态图生成、轻量GRU单元和增强注意力机制，显著提升交通流预测精度与效率。模型在六大数据集上验证，训练时间最高减少47%，且具备优异实时性能。

1. 引言

交通流预测是智能交通系统（ITS）的核心，但现有方法依赖静态邻接矩阵，难以捕捉实时动态与复杂时空依赖。ADGCN结合自适应动态图卷积、轻量GRU和注意力机制，突破计算瓶颈与建模局限，为实时交通管理提供新范式。

2. 方法

2.1 动态图生成

基于输入特征与节点嵌入，通过归一化与非线性变换动态生成邻接矩阵，无需预定义图结构，有效适应交通条件波动。

2.2 轻量GRU单元

优化门控机制并压缩隐藏层维度，参数量减少，训练效率提升19%–47%，适用于资源受限设备。

2.3 增强注意力机制

强化通道间特征依赖，使模型聚焦任务关键特征，提升预测准确性。

3. 实验与结果

在PEMSD3、PEMSD4等数据集上，ADGCN在MAE、RMSE、MAPE指标上优于多数先进模型，同时展现卓越实时性能。

4. 结论

ADGCN通过动态图卷积与轻量化设计，攻克了传统方法在实时性与适应性上的局限，为ITS部署提供了高效可靠的技术支撑。