摘要
交通网络划分研究表明，道路网络可以被划分为具有相对同质交通状态的空间相连子区域，其组成可能随拥堵状况而演变。然而，许多分层交通预测模型依赖于跨输入窗口保持固定的离线或全局共享的节点到区域关系。我们提出了 DH-STGCN，一种用于交通流预测的输入条件化动态分层时空图卷积网络。该模型根据当前时空节点表示生成特定于窗口的软节点到区域分配，构建相应的区域表示和区域图，在传感器和区域两个尺度上进行时空学习，并将区域信息反馈至传感器尺度。聚合一致性和区域平衡被用作辅助结构正则化器。在 PeMSD3、PeMSD4、PeMSD7 和 PeMSD8 上的实验表明，与 STGCN 相比，DH-STGCN 将平均 MAE 降低了 3.5–8.2%；与 HGCN 相比，降低了 2.3–8.2%。与最强的竞争模型相比，性能取决于数据集：Graph WaveNet 在 PeMSD3、PeMSD4 和 PeMSD7 上实现了更低的平均 MAE，而 DH-STGCN 在 PeMSD8 上表现更好。受控层级比较显示，窗口条件化分配优于固定均匀、静态硬、全局共享以及替代可微分配。诊断分析进一步表明，学习到的成员关系呈现弥散状态但可测量地不均匀，在连续输入窗口之间发生变化，并产生可区分的区域表示。总体而言，DH-STGCN 为多步交通流预测提供了一种灵活的输入条件化分层表示。
