消除传播延迟：用于交通流预测的基于注意力的时空融合图卷积网络

arXiv:2607.24885v1 公告类型：新 摘要：预测交通流量对于优化交通系统和改善城市流动性至关重要。人们提出了许多基于图卷积的模型来提取时空特征并预测交通流。然而，大多数关注拓扑关系中的时空和语义相关性。有两个主要问题需要解决。首先，模型中的卷积结构侧重于利用拓扑结构中的静态空间依赖性和时空关系，而忽略了卷积中相邻节点之间不同的信息传播延迟。其次，这些方法往往堆叠大量复杂的结构，导致模型训练阶段的计算时间大幅增加，从而忽视了模型对时效性的要求。在本文中，我们提出了一种称为基于注意力的时空融合图卷积网络（A-STFGCN）的新型网络。我们设计了一个时空融合块来提取时空特征相关性，并消除传播延迟误差，并在基于掩码矩阵的多头自注意力机制中捕获数据的长期和短期时间特征。对五个真实世界数据集的大量实验表明，与八种基线方法相比，我们的方法实现了最佳的整体性能，同时具有良好的计算和数据利用效率。