基于多尺度时序增强图卷积循环网络的交通流量精准预测模型研究

为解决交通预测中多尺度时序特征捕捉不足和节点个性化建模缺失的问题，研究人员提出MTEGCRN模型，通过时序特征增强模块（TFEM）和节点导向图卷积（NO-GCN）实现时空特征联合学习，在五个公开数据集上平均降低MAE误差8.49%，为智能交通系统提供新范式。

　　

随着城市化进程加速，交通拥堵已成为困扰现代社会的顽疾。传统交通预测方法面临两大瓶颈：一方面难以捕捉交通数据中蕴含的日周期、周周期等多尺度时序特征；另一方面，基于共享参数的图卷积网络（GCN）无法刻画不同节点（如高速路口与居民区）的个性化交通模式。这些局限导致现有模型在复杂场景下的预测精度捉襟见肘。

福州大学计算机与数据科学学院的研究团队在《Neurocomputing》发表的研究中，创新性地提出多尺度时序增强图卷积循环网络（MTEGCRN）。该模型通过四大核心技术突破：时序特征增强模块（TFEM）采用可训练嵌入编码日/周周期特征；节点导向图卷积（NO-GCN）为每个节点分配独立参数空间；连续时序学习模块（CTLM）实现时空联合建模；全局时序融合模块（GTFM）利用Transformer捕捉长程依赖。在PeMS04等五个交通数据集上的实验表明，该模型较动态图卷积循环网络（DGCRN）最高可降低12.02%的平均绝对误差（MAE）。

关键技术方法包括：基于PeMS系统采集的5分钟粒度交通流/速度数据构建动态图；通过NO-GCN实现节点个性化参数分配；采用TFEM模块嵌入多尺度时序特征；利用GRU与Transformer混合架构处理长短时序依赖。

【研究结果】

1. 多尺度特征学习：TFEM模块通过可训练的时间戳嵌入，在标准输入长度下实现日/周周期特征的隐式提取，相比需要长历史序列的方法计算效率提升23%。
2. 节点个性化建模：NO-GCN打破传统GCN共享参数限制，为PeMSD7(M)数据集中的228个节点分配独立参数空间，使住宅区与商业区节点的峰值误差差异缩小37%。
3. 时空联合优化：CTLM模块将NO-GCN集成到GRU单元，在PeMS08数据集上实现时空特征同步更新，较串行处理方法推理速度提升1.8倍。
4. 长程依赖捕捉：GTFM模块通过多头自注意力机制，在30步预测任务中使12小时外的预测误差降低15.6%。

【结论与意义】
该研究开创性地将节点个性化建模与多尺度时序学习相结合，其创新价值体现在：理论层面，提出的NO-GCN范式突破了共享参数GCN的固有局限；实践层面，模型在保持较低计算开销的同时，为交通管理提供更精准的决策支持。未来通过集成气象、社会经济等多元数据，有望进一步推动智能交通系统（ITS）的智能化升级。研究代码已在GitHub开源，为领域发展提供重要技术参考。