用于分布式交通场景的自适应参数协调动态超图时空预测方法

《IEEE Open Journal of Intelligent Transportation Systems》：Adaptive Parameter-Harmonized dynamic hypergraph spatio-temporal prediction for distributed traffic scenarios

　　

摘要：

在智能交通系统中，交通流预测是一项至关重要的任务，它对于缓解交通拥堵和优化资源分配具有重要意义。虽然基于图神经网络的方法在建模节点间的二元关系方面取得了显著成效，但它们往往难以捕捉交通网络中固有的动态、高阶的时空依赖性。此外，在分布式现实场景中，不同客户端之间的数据异质性常常会导致传统联邦学习方法出现负面迁移现象，从而限制模型性能。为了解决这些难题，本文提出了一种用于去中心化学习的新型自适应参数协调动态超图时空预测框架（ADH-STPC）。该框架以客户端自适应参数共享模块为核心，通过量化全局与局部特征分布的相似度来协调去中心化协作，确保参数仅在兼容的客户端之间传递，从而抑制负面传播。另外，为了准确预测交通流的变化，我们设计了动态超图卷积架构（DHCGA），该架构通过自适应演化超图结构来捕捉高阶非线性依赖关系，进而揭示特征间的潜在关联。CAPS为自适应协作提供了核心拓扑结构，而DHCGA则用于捕捉时空交通特征，二者共同作用使模型能够实现最佳性能。在两个大规模的真实交通数据集上进行的广泛实验验证了该框架的有效性。与现有的最先进基准模型相比，ADH-STPC展现了更出色的性能：在BJSubway数据集的所有关键指标上均实现了显著下降，其中平均绝对误差降低了15.1%，均方根误差降低了15.2%，平均百分比误差提升了7.1%。