时空多尺度自适应融合网络(ST-MAFNet)：面向交通流预测(Spatio-Temporal Multi-Scale Adaptive Fusion Network for Traffic Forecasting)

《AI》：ST-MAFNet: Spatio-Temporal Multi-Scale Adaptive Fusion Network for Traffic Forecasting

　　

准确的交通流预测是智能交通系统(Intelligent Transportation Systems, ITSs)的基础，对交通管理与物流至关重要。尽管时空预测方法已有进展，现有方法仍存在两个关键局限：(i) 多尺度融合方法未能充分捕捉跨尺度特征间的层次约束关系；(ii) 模型依赖单一时空视角，忽视多源关系的互补性。为此，研究人员提出时空多尺度自适应融合网络(Spatio-Temporal Multi-Scale Adaptive Fusion Network, ST-MAFNet)，包含三个核心组件——跨尺度层次锚定(Cross-Scale Hierarchical Anchoring, CSHA)策略，以多尺度时序模式锚定短时预测从而抑制噪声；双重空间感知模块(Dual Spatial Perception Module, DSPM)，通过节点嵌入(node embeddings)与自适应图注意力(adaptive graph attention)学习节点异质性与动态相关性；时空自适应融合模块(Spatio-Temporal Adaptive Fusion Module, STAFM)，将多尺度时序特征与多源空间关系整合以捕捉时变连通性。在四个真实数据集上的实验表明ST-MAFNet尤其适用于短时交通流预测。相较于已报道的最佳平均绝对误差(Mean Absolute Error, MAE)结果，ST-MAFNet在PEMS03、PEMS04、PEMS07和PEMS08上分别使MAE降低2.95%、1.43%、1.25%和0.37%，且在多数评价指标上取得最佳或次佳性能。

ST-MAFNet：面向交通流预测的时空多尺度自适应融合网络论文解读

研究背景与问题提出

交通流预测在基础设施优化、公共交通管理及应急响应中具有重要地位。早期方法将交通流预测视为纯时间序列回归问题，忽略路网中复杂的空间依赖关系。随后引入的时空图神经网络(Spatio-Temporal Graph Neural Networks, STGNNs)通过图卷积与时序建模捕捉动态时空依赖，但仍存在两方面不足：其一，现有多尺度时序建模多采用并行独立提取或简单堆叠膨胀卷积，缺乏跨尺度层次交互机制，无法体现粗粒度长周期模式对细粒度短时预测的锚定(anchoring)与约束作用；其二，大多数模型依赖预定义路网拓扑或单一视角，忽略非相邻节点间因相似出行行为产生的隐式空间关联，且未同时兼顾节点异质性(node heterogeneity)与动态空间相关性(dynamic spatial correlations)。定量分析中研究人员发现PEMS数据集中超过98%的高相似度传感器对不存在物理邻接关系，进一步佐证了自适应空间依赖建模的必要性。为此，研究人员提出ST-MAFNet，试图通过跨尺度层次锚定、双重空间感知与自适应融合解决上述问题。该论文发表于《AI》期刊。

关键技术方法

研究人员以加州PeMS数据集(PEMS03/04/07/08)中5分钟采样的交通流序列为研究对象，构建由三部分组成的ST-MAFNet：①多尺度时序编码器(Multi-Scale Temporal Encoder, MST-Encoder)——级联时态卷积网络(Temporal Convolutional Network, TCN)以残差连接逐层提取从细到粗的多粒度时序表征；②双重空间感知模块(Dual Spatial Perception Module, DSPM)——通过可学习节点嵌入捕获节点异质性，并结合基于嵌入矩阵的内积构造有向自适应关联矩阵(adaptive correlation matrix)，再将其融入多头空间注意力中以推断动态空间依赖；③时空自适应融合模块(Spatio-Temporal Adaptive Fusion Module, STAFM)——集成时序嵌入(Temporal Embedding, TE)、双向路网扩散特征(Forward/Backward Graph Propagation via FGPNet/BGPNet)及DSPM输出的自适应空间特征，采用自粗至细(coarse-to-fine)的跨尺度层次锚定(Cross-Scale Hierarchical Anchoring, CSHA)递归融合多源特征，最终经多层感知机(Multilayer Perceptron, MLP)与全连接(Fully Connected, FC)层输出预测值。模型以历史12步(1小时)预测未来12步(1小时)，按6∶2∶2划分训练/验证/测试集，使用MAE、RMSE和MAPE评估。

研究结果

框架总述(Section 4.1 Framework Overview)

研究人员设计了三阶段流程：MST-Encoder分解多尺度时序特征→DSPM获取静态拓扑编码与动态隐式关联→STAFM进行跨尺度层次锚定融合并解码预测，整体架构通过级联TCN减少参数量并共享跨尺度信息。

多尺度时序编码器(Section 4.2 MST-Encoder)

级联S层TCN配合残差连接提取各尺度时序特征H_s，浅层保留短时波动、深层捕获长期周期模式；相比并行独立分支设计，级联方案使时序编码器参数量降低60.0%，同时为后续CSHA提供层次化输入。

双重空间感知模块(Section 4.3 DSPM)

将可学习节点嵌入E_node∈?^N×d_e与各尺度时序特征拼接以编码节点异质性；通过E_srcE_tgt^T经行softmax构建非对称自适应图A_adp，反映有向隐式依赖；再以A_adp偏置多头注意力计算动态空间特征Z_spa=Attention(Q,K,V,A_adp)，实现随时间变化的空间相关建模。

时空自适应融合模块与CSHA(Section 4.4 STAFM)

STAFM融合时序嵌入TE、前向/后向图传播特征{A_fwd^(l)}{A_bwd^(l)}及自适应空间特征Z_spa。CSHA自最粗尺度(s=S)起直接融合得潜锚表示z_anc,S，逐层向细尺度(s=S-1…1)将上一尺度的锚表示z_anc,s+1引入当前尺度拼接特征并经由MLP更新，使粗粒度全局模式约束细粒度局部预测。所有尺度表示拼接后经MLP与FC输出最终预测?。算法1详述了该coarse-to-fine迭代过程。

实验设置(Section 5.1 Experimental Settings)

在PEMS03/04/07/08数据集上按6∶2∶2时序切分，Z-score归一化，缺失值掩码处理，历史12步预测未来12步，PyTorch实现，RTX 3090训练，Adam优化器，以验证集最低MAE选优。

性能比较(Section 5.2.1 Performance Comparison, RQ1)

与HA、VAR、LSTM、DCRNN、GWNet、AGCRN、MTGNN、GTS、STNorm、STGODE、DLinear、STID、PDFormer、STAEformer、STWave、HimNet等基线对比，ST-MAFNet在四个数据集上均取得最低MAE（PEMS03:14.16, PEMS04:17.88, PEMS07:18.90, PEMS08:13.41），较最佳基线分别降低2.95%、1.43%、1.25%、0.37%；PEMS08上MAPE降至8.63%(↓2.82%)。短时预测(horizon 1–3步)优势明显，较长预测步(horizon 9–12步)性能略逊于部分专注长程建模的基线，符合CSHA侧重短时锚定的设计意图。

消融实验(Section 5.2.2 Ablation Study, RQ2)

移除节点嵌入(w/o E_node)、移除DSPM(w/o DSPM)及移除CSHA(w/o CSHA)后MAE均上升，尤以w/o CSHA影响最大——完整模型相较w/o CSHA使PEMS03/04/08平均MAE分别降低39.95%、42.45%、28.82%，证实跨尺度层次锚定及DSPM双路径空间感知对性能的关键贡献。

效率分析(Section 5.2.3 Efficiency Analysis, RQ3)

每epoch训练时间与主流STGNN相当或更短，在参数量和推理效率间取得良好平衡。

超参数研究(Section 5.2.4 Parameter Study, RQ4)

多尺度层数S在{2,3,4}中搜索，依据验证集MAE选定S=3，可在模型容量与过拟合间取得最优平衡。

鲁棒性测试(Section 5.2.5 Robustness Testing, RQ5)

预测误差箱线图显示ST-MAFNet误差分布更集中且中位值更低；Taylor图表明其预测—观测相关系数最高且输出标准差最接近观测值，证明模型具有较好泛化稳定性。

可视化分析(Section 5.2.6 Visualization Analysis)

选取PEMS08典型时段与传感器，预测曲线紧密跟踪真值包括波动较大节点；t-SNE降维显示DSPM学到的空间特征形成明显聚类，而原始预定义图节点分散孤立，说明DSPM有效补充了物理拓扑未表达的潜在空间结构。

讨论与结论

研究人员指出ST-MAFNet尤擅短时交通流预测，CSHA通过粗粒度模式锚定抑制短时预测噪声与漂移，DSPM联合节点异质性与动态空间相关弥补静态图局限，STAFM实现多源时空特征自适应整合。局限在于当前CSHA对长时域(long-horizon)不确定性的适应性较弱，动态图学习增加计算开销且稳定交通条件下可能偏离物理拓扑。未来工作拟探索物理图与学习图的自适应加权、面向长时预测的锚定权重调整及引入事故/天气等外部因子。最终结论为：ST-MAFNet通过跨尺度层次锚定策略、双重空间感知模块与时空自适应融合模块，在四个基准数据集上取得具有竞争力的短时交通流预测性能，尤以为MAE指标改善最为显著，为智能交通系统中的高精度短时交通状态估计提供了有效新范式。