基于渐近混合图卷积与趋势感知自注意力网络的交通流量预测方法

《Scientific Reports》：Asymptotic mixed graph convolutional with trend-aware self-attention networks for traffic flow forecasting

　　准确预测交通流量对于提高交通系统的效率和安全性至关重要。然而，由于交通数据中嵌入的复杂时空相关性，这一任务仍然具有挑战性。现有的基于自适应图的方法通常在训练过程中学习图结构，这使得它们对测试阶段的交通状态响应不足。因此，在不可预见的波动和不规则的交通变化下，其预测性能可能会下降。为了克服这一局限性，本文提出了一种新颖的渐近混合图卷积与趋势感知自注意力网络（AMG-TSA）。通过学习交通节点之间的趋势相似性，AMG-TSA构建了渐近邻接矩阵，以支持渐近结构感知图卷积和渐近动态图卷积，从而实现动态空间依赖关系的同步建模。同时，引入趋势感知自注意力模块以捕捉局部上下文模式和非线性时间依赖关系，而膨胀因果卷积则扩大了时间感受野并支持长程时间依赖关系建模。在两个真实交通数据集上的实验表明，AMG-TSA始终优于代表性基线方法，证明了其在交通流量预测中的有效性。