一种运行可解释的滞后感知有向时空图神经网络，用于实时高速公路交通预测

《Future Transportation》：An Operationally Interpretable Lag-Aware Directed Spatio-Temporal Graph Neural Network for Real-Time Freeway Traffic Forecasting

　　

摘要

可靠的短期高速公路交通预测对于主动式交通管理至关重要，包括拥堵预警、匝道计量支持和出行信息服务。然而，许多现有预测模型将空间依赖关系视为同步或弱方向性的，限制了其对上下游交通滞后传播的表征能力。本研究提出了Traffic-DiMAGNet，一种轻量级且具有可解释性的滞后感知有向时空图神经网络，用于实时高速公路上车流量预测。该模型通过整合物理道路邻接关系、训练集上的领先-滞后交通先验知识以及可学习的源-目标节点嵌入，构建稀疏有向传感器依赖图。随后，一个滞后感知双向传播模块根据估计的传播延迟对传感器间消息进行位移，同时有向随机游走归一化、方向门控和多尺度因果卷积以较低的计算成本保留了非对称的交通语义。在四个Caltrans PeMS数据集上的实验表明，Traffic-DiMAGNet在MAE、RMSE和MAPE指标上持续优于循环网络、基于扩散、基于注意力和自适应图的基线方法。学习到的有向滞后结构提供了可解释的传播信息，轻量级架构支持滚动5分钟预测，表明其在实时高速公路监控和主动交通管理方面具有实际应用潜力。