编辑推荐：
交通预测对智能交通系统至关重要，然长时序场景下复杂时空依赖难捕捉。本文研究长时序时空图注意力网络（LSTGAN），融合卷积层、空间注意力模块和图卷积层提取特征，经时序注意力解码器预测。在 METR-LA 和 PEMS-BAY 数据集上，LSTGAN 性能优于多数基线模型，为交通预测提供新方案。
交通出行是现代城市运行的命脉，早高峰的拥堵、节假日的车流高峰，无不考验着城市交通的智慧。如何精准预测交通流量，让通勤更顺畅、让城市运转更高效，一直是智能交通领域的核心难题。传统的交通预测模型，如 ARIMA、SVR 等，往往只能捕捉时间序列的线性规律，难以应对交通数据中复杂的时空耦合特性 —— 比如某条道路的拥堵可能不仅与历史流量相关，还会受周边路网乃至整个城市交通格局的影响。随着城市规模扩大和数据采集技术的发展，海量交通数据中隐藏的长时序时空模式亟待挖掘，而现有模型在处理长期依赖和全局空间关联时力不从心，预测精度在长时场景下显著下降。
为突破这一瓶颈，研究人员开展了长时序时空图注意力网络（Long-Term Spatio-Temporal Graph Attention Network, LSTGAN）的研究。该研究旨在通过整合长周期历史数据中的时间规律与空间关联，提升交通流量预测的准确性，尤其是在长期预测场景中的表现。研究成果发表于《Expert Systems with Applications》。
研究团队构建了 LSTGAN 架构，其核心包括时序编码器和空间编码器两部分。时序编码器利用卷积层对周、日尺度的长时序数据进行下采样，捕捉周期性规律（如早晚高峰、周末与工作日差异）；空间编码器则通过图卷积层（GCN）和自注意力机制分别提取局部邻域依赖和全局路网关联。两者融合后的数据经时序注意力解码器生成预测结果。研究采用 METR-LA（洛杉矶 207 个传感器）和 PEMS-BAY（旧金山湾区 325 个传感器）数据集，以平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）为指标，与 STGCN、DCRNN、ASTGCN 等基线模型对比。
关键技术方法
- 时序特征提取：通过两层一维卷积层对周、日数据下采样，减少数据维度同时保留关键信息，捕捉长时周期性。
- 空间特征建模：局部空间依赖通过图卷积层（ChebConv）聚合邻域节点信息，全局依赖利用自注意力机制捕获非相邻节点关联。
- 时空融合与预测：融合时空特征后，通过带位置编码的自注意力解码器生成未来小时级预测，引入时间编码模块增强时序上下文感知。
研究结果
- 模型性能对比：在 15 分钟、30 分钟、60 分钟预测 horizon 下，LSTGAN 在 METR-LA 和 PEMS-BAY 数据集上多项指标优于传统模型（如 ARIMA、SVR）和深度学习模型（如 WaveNet、FC-LSTM）。例如，在 PEMS-BAY 的 60 分钟预测中，LSTGAN 的 MAE 为 1.84，显著低于 STGCN 的 2.49 和 DCRNN 的 2.07。
- 组件有效性验证：消融实验表明，移除注意力机制（LSTGAN w/o AT）或长时序编码器（如 w/o D&W）会导致性能显著下降，证实时空依赖融合和长时信息的重要性。
- 融合策略优势：并行融合策略（同时处理局部与全局特征）较顺序融合（如先局部后全局）表现更优，MAE 降低约 3%-5%，说明多尺度特征同步整合的必要性。
结论与意义
LSTGAN 通过显式建模长时序时空依赖，突破了传统模型在长期交通预测中的局限。其创新点在于将周 / 日周期的时间特征与局部 - 全局空间特征并行融合，结合注意力机制动态筛选关键信息。实验表明，该模型在长时预测场景中展现出更强的稳定性和准确性，为智能交通系统的实时调控、拥堵预警提供了更可靠的技术支撑。未来研究可进一步探索模型在数据稀疏场景的鲁棒性，引入天气、事件等外部变量，并优化实时计算效率，推动其在复杂城市交通环境中的实际应用。该工作不仅为交通预测领域提供了新的方法论，也为时空数据建模在智慧城市、物流规划等领域的拓展奠定了基础。
