基于双路径时空图注意力网络的短时交通流量预测

冯文文; 朱冠铭; 吴晓东; 高远

doi:10.12404/j.issn.1671-1815.2507048

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10606-10617 DOI: 10.12404/j.issn.1671-1815.2507048

交通运输

基于双路径时空图注意力网络的短时交通流量预测

作者信息 +

Short-term Traffic Flow Prediction Based on Dual-path Spatio-temporal Graph Attention Network

Author information +

文章历史 +

摘要

短时交通流量预测是智能交通系统实现高效管理与实时调控的关键技术。针对现有方法在时空依赖表示与误差累积方面的不足,提出双路径时空图注意力网络模型以实现更准确、鲁棒的短时交通流量预测。首先,设计静动态双路径图注意力机制提取空间特征。静态注意力分支基于路网物理拓扑构建稳定空间关系,动态注意力分支依据实时交通流数据自适应捕捉突发性空间关联,两者通过一个可学习的融合参数进行加权融合,自适应地平衡静态拓扑与动态状态之间的影响,从而提取综合空间特征;其次,采用长短时记忆网络编码器结构,分层提取和灵活映射时间序列特征;最后,解码器引入动态衰减的混合示教学习机制,融合递归与示教两种解码模式进行交通流量的预测,以有效抑制误差累积。采用PEMS04和PEMS08数据集进行训练、验证和测试。结果表明:模型在平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均百分比误差(mean absolute percentage error,MAPE)指标上分别比最优的时空对比模型卷积神经网络-长短时记忆网络(convolutional neural network-long short-term memory network,CNN-LSTM)实现约4.23%、3.18%、6.90%与3.89%、2.59%、6.44%的提升。可见,模型能够有效平衡路网的静态拓扑与动态状态,并通过混合示教学习机制显著减少误差累积,证明了其在短时交通流量预测方面的优越性能和应用潜力。

Abstract

Short-term traffic flow prediction is a key technology for intelligent transportation systems to achieve efficient management and real-time regulation. To address the shortcomings of existing methods in spatio-temporal dependency representation and error accumulation, a dual-path spatio-temporal graph attention network model was proposed to achieve more accurate and robust short-term traffic flow prediction. Firstly, a dual-path graph attention mechanism for both static and dynamic conditions was designed to extract spatial features. In the static attention branch, stable spatial relationships were built based on the physical topology of the road network, while in the dynamic attention branch, sudden spatial correlations were adaptively captured according to real-time traffic flow data. The two branches were weighted and fused through a learnable fusion parameter, and the influence between static topology and dynamic state was adaptively balanced, so that comprehensive spatial features were extracted. Secondly, a long short-term memory network encoder structure was adopted to hierarchically extract and flexibly map the features of time series. Finally, the decoder introduced a dynamic attenuation hybrid teaching-learning mechanism, integrating recursive and teaching decoding modes to predict traffic flow, in order to effectively prevent error accumulation. The PEMS04 and PEMS08 datasets were used for training, validation and testing. The results show that the model achieves approximately 4.23%, 3.18%, 6.90% and 3.89%, 2.59%, 6.44% improvements over the optimal spatio-temporal comparison model convolutional neural network-long short-term memory network(CNN-LSTM) in terms of mean absolute error (MAE), root mean square error (RMSE), mean absolute percentage error (MAPE) indicators respectively. It can be seen that the model is capable of effectively balancing the static topology and dynamic state of the road network, and significantly reduces error accumulation through the hybrid teaching-learning mechanism, demonstrating its superior performance and application potential in short-term traffic flow prediction.

Graphical abstract

关键词

智能交通 / 双路径图注意力机制 / 混合示教 / 短时交通流量预测 / 时空特征 / 长短时记忆网络(LSTM)

Key words

intelligent transportation / dual-path graph attention mechanism / hybrid teaching / short-term traffic flow prediction / spatiotemporal features / long short-term memory network (LSTM)

引用本文

引用格式 ▾

冯文文, 朱冠铭, 吴晓东, 高远. 基于双路径时空图注意力网络的短时交通流量预测[J]. 科学技术与工程, 2026, 26(24): 10606-10617 DOI:10.12404/j.issn.1671-1815.2507048

FENG Wen-wen, ZHU Guan-ming, WU Xiao-dong, GAO Yuan. Short-term Traffic Flow Prediction Based on Dual-path Spatio-temporal Graph Attention Network[J]. Science Technology and Engineering, 2026, 26(24): 10606-10617 DOI:10.12404/j.issn.1671-1815.2507048

登录浏览全文

4963

注册一个新账户忘记密码

短时交通流量预测作为智能交通系统(intelligent traffic system,ITS)的核心组成部分,旨在利用历史观测数据来预测未来交通状态,具有重要的实际应用价值,如提高道路通行效率和改善道路交通拥堵状况等^[1]。交通流数据具有显著的时空依赖性,其变化不仅受路网物理结构的约束,还受到实时交通状态、突发事件、天气条件等多重因素的动态影响,因此准确预测短期交通流量是一项极具挑战性的任务^[2]。

早期的交通流量预测方法主要是基于统计学习模型和机器学习模型^[3]。统计学模型有自回归移动平均模型^[4]、向量回归模型^[5]等。这类模型在捕捉线性时间性特征方面具有优势,但其依赖数据平稳性和线性假设,难以有效处理实际交通数据中的非线性特性。机器学习方法如分解集成方法^[6]和K邻近^[7]等在一定程度上弥补了这一缺陷,但其特征表达能力有限,对高维时空依赖关系的建模能力不足,且模型性能严重依赖于人工特征设计与参数调优。

随着深度学习的快速发展,卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long short-term memory network,LSTM)逐渐被应用于时空序列预测任务。汤泽慧等^[8]提出了一种CNN-LSTM-AM组合模型用于短时交通流量预测,该模型利用CNN提取交通流数据的动态变化特征,结合LSTM处理时间序列,并引入注意力机制分配权重以增强重要特征的作用。但其模型难以直接、充分地挖掘和量化道路节点之间复杂的空间关联性,尤其是在处理非规则、动态变化的交通网络时,模型的深层空间依赖捕获能力受限。Mondal等^[9]采用堆叠式LSTM模型,对工作日和非工作日的交通流进行预测。模型不仅考虑了该道路的当日及历史交通数据,还纳入其他相关相邻路段的当日及历史交通流数据来提取时空特征。但其模型只适用于规则的欧几里得数据如图像、网格数据等。为此,为解决实际中的交通数据在路网上的非欧几里得结构分布的问题,提取图结构中空间特征的图神经网络(graph neural network,GNN)为非欧式空间建模提供了新范式。图卷积网络(graph convolutional network,GCN)因其在局部空间关联建模上的优势,成为建模交通网络空间依赖的主要工具。Liu等^[10]提出了时空双自适应图卷积网络(spatiotemporal dual adaptive graph convolutional network,ST-DAGCN)模型,利用双自适应图卷积网络来同时学习节点间潜在的动态相关性和路网拓扑结构的实时变化,有效提升了预测精度。Li等^[11]提出的动态图卷积循环网络(dynamic graph convolutional recurrent network,DGCRN)模型利用图卷积的空间关联捕捉能力与门控循环单元的时间序列建模能力来提取交通数据中蕴含的空间依赖关系与时间动态特征。

然而,这些方法通常依据固定的路网距离来定义空间关系,无法有效处理实时变化的交通状况,如对极端情况下的响应,导致其在此场景下的预测表现不佳。为解决这一局限,近年来的一些研究转而采用注意力机制或多源信息融合等方法,以增强模型对动态时空依赖关系的感知与表达能力。Liu等^[12]提出了一种多层时空相关性感知图注意力网络(multilayer spatiotemporal correlation-aware graph attention network,MSTC-GAT)模型,旨在全面捕捉交通流的动态性、全局空间相关性和局部时间相关性。该模型设计了多层空间结构感知模块,通过层次化注意力掩码和基于路径的节点相关矩阵,有效提取局部和全局空间依赖,并结合时间结构感知模块捕捉局部动态时间依赖,最终通过Transformer进行特征融合从而获得特征关系。孟祥福等^[13]提出了时空交叉注意力特征融合机制,在时空维度分别用多头交叉注意力让时空特征互学关键信息,实现深度融合以更全面捕捉交通流量的动态时空依赖关系。钟松浩等^[14]提出了一种基于跨周期稀疏技术的长时交通流预测模型,通过混合图卷积网络和时间多头注意力模块动态处理降维后的时间序列矩阵,显著提升了长时预测精度,并大幅降低了模型复杂度。尽管这些方法在一定程度上提升了动态特征感知能力,但仍存在以下问题:一方面,现有方法未能有意识地协调路网的物理结构与实时交通状态这两种性质不同的空间关系,从而使得模型在空间特征提取时既缺乏对固定结构的忠实反映,又无法灵敏响应交通状态的瞬息变化;另一方面,在预测阶段普遍缺乏有效的误差抑制机制,难以缓解预测中的累积偏差。

针对上述问题,提出一种双路径时空图注意力网络的短时交通流量预测模型。通过构建静态与动态双路径注意力机制,显式融合路网物理结构与实时交通状态信息,增强空间表征的稳定性与适应性,并引入动态衰减的混合示教策略,在解码阶段协调递归预测与真实值引导,有效抑制误差传播,提升预测的准确性与鲁棒性。研究成果为智能交通系统在复杂动态路网下的短时交通流量预测提供了一种新型预测方法,对缓解城市交通拥堵、提升路网运行效率具有重要的实际应用价值。

1 问题描述

给定历史T个时间步的交通序列[X_t-T+₁,X_t-T+₂,…,X_t],交通预测的目标是从T个时刻历史交通预测值中学习一个映射函数f,来推断未来个时间步的交通观测值,可表示为

(1)$\left[X_{t-T+1}, X_{t-T+2}, \cdots, X_{t}\right] \xrightarrow{f}\left[\hat{y}_{t+1}, \hat{y}_{t+2}, \cdots, \hat{y}_{s}\right]$

式(1)中:X_t∈R^B^×^N^×^d为模型的输入,其中B为输入数据的批次,N为节点个数,d为输入数据的特征数量;

${\widehat{y}}_{s}$

为模型的输出。

2 研究方法

2.1 模型框架

双路径时空图注意力网络短时交通流量预测模型整体架构如图1所示。该模型由三大核心模块构成:双路径图注意力机制模块、时间特征提取模块以及动态混合示教解码模块,共同完成对交通流时空依赖的系统性建模与短时交通流量预测。首先,模型采用双路径图注意力机制,分别从静态拓扑与动态关联两个维度对交通网络进行空间建模。其中,静态注意力分支依据路网物理结构构建的邻接矩阵,捕捉节点间稳定的空间依赖关系;动态注意力分支则基于实时交通流数据自适应学习节点间的隐含关联,以应对交通状态的瞬时变化。两者通过可学习参数进行加权融合,形成兼具稳定性与适应性的综合空间特征表示。其次,在时间特征提取模块,模型将上述空间特征序列输入至基于LSTM的编码器架构。编码器通过多层LSTM结构对输入序列进行编码,分层提取时间特征,并压缩为上下文向量。最后,在动态混合示教解码模块,解码器则依据该上下文向量,结合空间特征,并引入动态混合示教策略,以动态衰减的学习率协调递归预测与真实值引导两种模式,有效缓解预测中的误差累积问题,逐步生成未来交通流序列,提升预测稳定性与准确性。

2.2 空间特征提取

2.2.1 邻接矩阵构建

给定N个相互关联的节点以及其历史观测值,对这些节点未来的观测值进行预测。将N个节点的相关性表示为一个带权图G=(V,E,A),其中,V={v_i

${\}}_{i=1}^{N}$

为N个交通节点的集合,E∈v_i×v_j为节点间的连通关系,A∈R^N^×^N为带权邻接矩阵,表示节点之间的相关性。

在短期内,交通网络中的道路、交叉口等物理基础设施通常保持稳定,其空间拓扑结构基本不变,而且相邻节点之间往往具有更强的空间依赖关系,节点间的距离越近相互作用越显著。为刻画这种随距离衰减的空间依赖性,有效反映空间相互作用随距离增大而逐渐衰减的规律,运用高斯核函数矩阵

${\hat{A}}_{ij}$

来表示这种相互作用强度,

${\hat{A}}_{ij}$

内的元素

${\widehat{a}}_{ij}$

如式(2)所示。

(2)${\widehat{a}}_{ij}$=exp$\left(-\frac{{v}_{ij}^{2}}{2{\partial }^{2}}\right)$

式(2)中:v_ij为节点i至节点j的距离;∂为距离的中位数。

为避免冗余计算,通过阈值筛选出强连通点,对高斯核函数

${\hat{A}}_{ij}$

进行二值化处理^[14],得到新的路网信息A_ij,其内部元素如式(3)所示。

(3)a_ij=$\left\{\begin{array}{ll}1,& {\widehat{a}}_{ij}>\epsilon \\ 0,& \mathrm{其}\mathrm{他}\end{array}\right.$

式(3)中:阈值ε为[0,1]的固定常数。

2.2.2 双路径图注意力机制融合

尽管基于地理距离和连通关系得到的带权邻接矩阵为空间特征建模提供了稳定的结构基础,但仅依靠固定的邻接矩阵难以有效捕捉交通流数据中的非线性特性和实时变化,对交通系统非线性、耦合性规律的刻画能力不足^[10]。鉴于交通流变化受到路网物理拓扑的稳定约束和实时交通状态的动态影响,模型采用双路径图注意力机制来显式融合这两种不同性质的空间关系。这种机制相比于纯静态图结构,能够增强模型对突发状况的适应性;相较于纯动态图结构则能保持空间结构的稳定性,有效抑制噪声引入。因此,通过双路径图注意力机制能够提取出兼具稳定性和适应性的综合空间特征。

(1)静态注意力机制。虽然基于节点间地理距离、连通关系得到带权邻接矩阵,为后续空间特征建模提供了静态结构基础,但仅依靠邻接矩阵所表征的关系,对交通系统非线性、耦合性规律的刻画能力不足,无法直接挖掘节点特征层面的深层交互。为突破这一表征瓶颈,需先将节点的原始时序特征

${x}_{i}^{t}$

映射至高维特征空间,通过线性变换增强特征的表达能力,从而提取出更能反映节点本质状态的隐藏特征,为后续静态与动态注意力权重的计算奠定基础,如式(4)所示。

(4)${h}_{i}^{\left(t\right)}$=W

${x}_{i}^{t}$

式(4)中:

${x}_{i}^{t}$

为i节点的交通流量、道路占用率和速度特征;

${h}_{i}^{\left(t\right)}$

为节点i的投影后时间步t的隐藏状态;W为权重矩阵,可显著提升特征的表征能力,从而更好地挖掘数据中的深层关系。

为给模型提供稳定的空间信息,通过利用已知的道路网结构信息和提取的隐藏特征,设计静态注意力机制,如式(5)所示。

(5)${e}_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$=LeakyReLU{a^T_static[${h}_{i}^{\left(t\right)}$$\oplus$${h}_{j}^{\left(t\right)}$]}

式(5)中:

${e}_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$

为静态注意力机制下节点j对节点i的注意力系数;LeakyReLU(·)为非线性变换函数,该函数既能通过非线性变换提升注意力系数的表达能力,又能保障模型训练过程中的梯度稳定性;a^T_static(·)为静态注意力参数向量,该向量是固定的,不随时间变化,用于对拼接后的特征向量进行线性变换,表示节点间的相互影响可被视为长期稳定的关系;$\oplus$为特征拼接操作。

在此基础上,捕捉固定的空间依赖关系,确保静态注意力仅在物理上存在连接的节点间计算,利用路网信息A_ij的内部元素得到静态注意力的权重

${\omega }_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$

。

(6)${\omega }_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$=$\left\{\begin{array}{l}\mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}[{e}_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}+(1-{a}_{ij})-\infty ],　{a}_{ij}>0\\ \mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}[-\infty +(1-{a}_{ij})-\infty ],　\mathrm{其}\mathrm{他}\end{array}\right.$

式(6)中:Softmax(·)为归一化函数。

(2)动态注意力机制。交通流量预测不仅需要考虑与各个节点之间的距离,还受实时交通状况影响,为捕捉实时交通状态驱动的动态关联,设计动态注意力机制如式(7)所示。

(7)${e}_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$=LeakyReLU{a^T_dynamic[${h}_{i}^{\left(t\right)}$$\oplus$${h}_{j}^{\left(t\right)}$]}

式(7)中:

${e}_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$

为节点i对节点j的动态注意力系数;a^T_dynamic(·)为动态注意力参数向量。

与静态注意力参数向量不同,动态注意力向量不依赖于预定义的邻接矩阵,由数据训练得到,能够根据当前交通状态计算节点间的影响强度,捕捉瞬时的空间交互。

与式(6)同理,根据Softmax函数对动态注意力系数进行归一化,得到动态注意力的权重

${\omega }_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$

。

(8)${\omega }_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$=Softmax(${e}_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$)

(3)动静态注意力机制融合。由于不同时间,不同路段对静态和动态信息的依赖程度不同,为了使静态与动态空间依赖关系拥有自适应的融合比例,使模型既能保留路网物理拓扑的稳定约束,又能灵活捕捉实时交通流的动态关联,引入可学习参数α对动静态注意力机制进行融合,如式(9)所示。

(9)ω_ij=α${\omega }_{ij}^{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$+(1-α)${\omega }_{ij}^{\mathrm{d}\mathrm{y}\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{c}}$

式(9)中:α为可学习的超参数,其值域为[0,1]。

得到融合注意力权重之后,将每个时间步的节点特征依次输入至两个堆叠的GAT层,充分利用GAT的动态建模优势,实现高阶空间特征的提取。与传统CNN依赖规则网格结构^[10]、GCN固定邻接矩阵等方法相比^[15],GAT通过可学习的注意力机制能够动态调整节点之间的影响力,既能够建模交通网络中的时变空间依赖,也能够识别非物理连接节点之间的隐含关联,在处理复杂路网与时变交通特性方面具有更强的适应性和表达能力。

因此,通过动静态注意力机制融合得到的权重,结合GAT的多层非线性变换逐步聚合多阶邻域信息,最终获取增强后的空间特征表示,如式(10)所示。

(10)${H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}$=GATLayer₂[GATLayer₁(X_t,ω_ij),ω_ij],∀t∈{1,2,…,T}

式(10)中:

${H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}$

为最终得到的空间特征;GATLayer₁为第一层GAT,其内部结构如上所述;GATLayer₂为第二层GAT,其内部结构与第一层GAT相同,但两者参数并不共享;X_t为节点在时间步t的数据特征。

双路径注意力机制的工作原理如图2所示。图2(a)为原始拓扑示意图,其中节点Q₁与Q₂、Q₄存在物理连接,而与Q₅无直接连接。静态注意力机制[图2(b)]仅依据预定义的物理邻接关系(路网结构)计算注意力权重,因此只保留了Q₂、Q₄对Q₁的影响。动态注意力机制[图2(c)]则能够从实时交通数据中自适应地学习节点间的隐含关联,识别出尽管无物理连接、但存在Q₅这种对实际交通影响的节点,从而补充了静态方法无法捕捉的动态空间依赖。最终,通过可学习参数α(此处假设为0.6)将静态与动态注意力权重进行融合,得到综合的空间影响权重[图2(d)],同时保持了物理约束的稳定性和动态关联的灵活性。

2.3 时间特征提取

交通流数据具有显著的时序依赖性,且包含复杂的非线性特征。传统的统计模型难以有效处理这种非线性特性^[8]。因此,短时交通流量预测模型采用了LSTM编码器结构作为核心框架来建模时间序列中的依赖关系。LSTM通过其内部的门控机制(遗忘门、输入门和输出门),能够有效地处理和存储长序列信息,从而克服传统循环神经网络中存在的梯度消失问题,实现对时间序列中长短时依赖的灵活映射和分层提取。

LSTM编码器对历史序列进行编码,提取每个节点的时间特征,如式(11)所示。

(11)X_T,${h}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$,${c}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$=LSTM[X_t,${H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}$,${h}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{(t-1)}$,${c}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{(t-1)}$]

式(11)中:X_T为隐藏信息;

${h}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$

、

${c}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$

分别为编码器最终的隐藏状态和细胞状态;X_t为历史时间窗口内的多特征序列;

${h}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{(t-1)}$

、

${c}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{(t-1)}$

分别为前一时间步编码器的隐藏状态和细胞状态。

最终,编码器将隐藏信息X_T存储在上下文向量作为解码器的输入。具体算法如算法1所示。

外层循环遍历时间步t=1,2,…,T,内层循环遍历LSTM层数l=1,2,…,L;对每个时间步与网络层,依次计算遗忘门、输入门、细胞状态与输出门,并更新当前层的隐藏状态;所有时间步与网络层计算完成后,通过上下文映射得到编码器的最终隐藏状态与细胞状态,作为时间特征提取的输出。

其中T为时间窗口长度,L为LSTM网络层数;l为LSTM层索引,t为时间步索引,

${h}_{t-1}^{l}$

为第l层LSTM在t时刻的隐藏状态,

${f}_{t}^{l}$

、

${i}_{t}^{l}$

、

${C}_{t}^{l}$

、

${o}_{t}^{l}$

分别为第l层LSTM在t时刻的遗忘门、输入门、细胞状态更新和输出门的输出,

${W}_{f}^{l}$

、

${W}_{i}^{l}$

、

${W}_{c}^{l}$

、

${W}_{o}^{l}$

为第l层LSTM遗忘门、输入门、细胞状态更新和输出门的权重矩阵,

${b}_{f}^{l}$

、

${b}_{i}^{l}$

、

${b}_{c}^{l}$

、

${b}_{o}^{l}$

分别为第l层LSTM遗忘门、输入门、细胞状态更新和输出门的偏置向量,σ为LSTM内部激活函数Sigmoid,tanh为双曲正切函数。

2.4 动态混合示教解码器

在解码阶段,传统预测方法通常采用递归解码或示教强制解码。递归解码逐步使用模型自身的预测结果作为下一时间步的输入,虽能保持预测一致性,但易导致误差累积;示教强制解码则在训练阶段使用真实值作为输入,虽能加速收敛,但在测试阶段与训练阶段输入分布不一致,影响模型泛化能力。为兼顾训练稳定性与预测准确性,引入混合示教机制,以动态调整的方式融合两种单层解码策略。该机制通过一个随训练轮次衰减的混合比例参数ρ,控制每一时间步中使用真实值或预测值的概率,混合比例ρ的计算公式为

(12)ρ=ρ_startγ^θ

式(12)中:ρ_start为起始混合示教学习率;γ为衰减率;θ为训练轮次。

该衰减机制基于课程学习^[16]的理念,模仿人类由易到难、渐进深入的学习范式。设计的衰减函数是实现模型从依赖真实值输入向低依赖度的自身预测输入平滑过渡的核心策略,式(12)中,指数函数在训练初始阶段缓慢下降,随后加速收敛的曲线特性。与循环神经网络适应递归输入的学习进程高度契合。因此,通过对ρ施加指数控制衰减,能够确保模型的输入分布从真实值分布向自身预测分布进行平滑、渐进且高效的转换,实现合理预测。

为给解码器提供丰富上下文,将混合示教解码模式应用到每个预测时间步s-1,并结合历史观测值、上一预测值、当前交通状态和空间特征,得到时空特征z_s_-1为

(13)z_s_-1=[${X}_{T}^{\rho }$$\oplus$${H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}$]=$\left\{\begin{array}{l}[{y}_{T}^{\rho },{o}_{T},{u}_{T}\oplus {H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}]\\ [{\dot{y}}_{s-1}^{1-\rho },{o}_{T},{u}_{T}\oplus {H}_{\mathrm{s}\mathrm{p}\mathrm{a}}^{\left(T\right)}]\end{array}\right.$

式(13)中:

${X}_{T}^{\rho }$

为对编码器的隐藏信息应用混合示教模式后得到的最终隐藏状态;交通流量

${y}_{T}^{\rho }$

为以概率ρ在输入中使用真实流量值;

${\widehat{y}}_{s-1}^{1-\rho }$

为以1-ρ的概率使用预测流量值;o_T为道路占用率;u_T为速度;

${H}_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{r}\mathrm{t}}^{\left(T\right)}$

为双路径图注意力机制提取的最终空间特征。

解码器接受编码器的最终隐藏状态

${h}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$

、

${c}_{\mathrm{e}\mathrm{n}\mathrm{c}}^{\left(T\right)}$

作为初始隐藏状态

${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(0\right)}$

、

${c}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(0\right)}$

,依据混合示教学习率递归或示教生成未来时间步的预测结果。在每个预测时间步s,解码器接收当前时间步的输入z_s和前一时间步隐藏状态

${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{(s-1)}$

、

${c}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{(s-1)}$

,计算当前时间步的输出

${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(T\right)}$

、

${c}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(T\right)}$

,计算公式为

(14)${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(T\right)}$、${c}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(T\right)}$=LSTMCell[z_s_-1,${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{(s-1)}$,${c}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{(s-1)}$]

式(14)中:z_s_-1为前一预测时间步的时空特征;LSTMCell 为LSTM的核心单元,用于处理单个时间步的输入序列。

之后将LSTM的隐藏状态通过全连接层映射到预测特征维度,用于生成未来时间步的交通流量

${\widehat{y}}_{s}$

,可表示为

(15)${\widehat{y}}_{s}$=W_o${h}_{\mathrm{d}\mathrm{e}\mathrm{c}}^{\left(s\right)}$+b_o

式(15)中:W_o为全连接层的权重矩阵;b_o为偏置向量。

动态混合示教解码模型结构如图3所示。首先,将时间特征与动态更新的空间特征进行拼接构造解码器输入,其次,由混合示教机制选择当前流量输入,最后,经LSTMCell更新时序状态,通过输出全连接层生成当前节点流量预测,将所有时间步预测结果整合为完整预测序列,实现时序依赖与动态空间关联的协同。

3 实验设计与结果分析

3.1 数据集介绍

实验在PEMS08、PEMS04两个公开交通数据集上测试,这两个数据集均来自美国加利福尼亚州交通局(california department of transportation,Caltrans)的交通性能监测系统(caltrans performance measurement system,PEMS)(http://pems.dot.ca.gov),包含该州2个地区的真实高速公路数据。具体来看,道路检测器每30 s采集一次原始数据,再以5 min为时间间隔进行聚合处理,因此一天的交通数据流中共包含288个数据点;所采集的交通特征涵盖交通流量、道路占用率与速度,所有实验均采用这3个核心特征,且为了保留交通流数据中的真实波动和突变信息,从而体现模型结构本身在处理原始、复杂、高波动性数据上的鲁棒性和有效性,没有对数据集进行额外预处理,数据集的具体信息如表1所示。

3.2 评价指标

选定3个广泛使用的流量预测性能指标进行不同模型下预测准确性的对比评估,包括平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均百分比误差(mean absolute percentage error,MAPE),其中MAE反映模型整体偏差稳定性,RMSE揭示模型对极端值的鲁棒性,MAPE说明不同流量水平的适应性。这些评估指标越小表示模型预测性能越好。计算公式分别为

(16)

$\mathrm{M}\mathrm{A}\mathrm{E}=\frac{1}{N}\stackrel{N}{\sum _{i=1}}\left|{y}_{i}-\left.{\widehat{y}}_{i}\right|\right.$

(17)

$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{1}{N}\stackrel{N}{\sum _{i=1}}\left|{y}_{i}-{\left.{\widehat{y}}_{i}\right|}^{2}\right.}$

(18)

$\mathrm{M}\mathrm{A}\mathrm{P}\mathrm{E}=\frac{1}{N}\stackrel{N}{\sum _{i=1}}\left|\frac{{y}_{i}-{\widehat{y}}_{i}}{{y}_{i}}\right|\times 100\mathrm{\%}$

式中:N为节点数量;y_i为节点i的真实流量值;

${\widehat{y}}_{i}$

为节点i的预测流量值。

3.3 参数确定

为了评估所提出的双路径时空图注意力网络预测模型对关键参数的鲁棒性,对动态混合示教解码器中的起始混合示教学习率进行了敏感性分析,该混合示教学习率在模型训练过程中,通过动态衰减策略影响递归和示教两种解码模式的融合比例。表2展示了在PEMS08数据集上,不同起始混合示教学习率设置下模型的性能指标,分析结果表明,与起始学习率为0.5相比,起始学习率为0.4时的MAE上升约0.14%、MAPE上升约4.33%;起始学习率为0.6时的MAPE上升约3.39%;起始学习率为0.7时的MAE上升约 0.07%、MAPE上升约5.76%;起始学习率为0.8时的MAE上升约0.07%、MAPE上升约4.08%。由此可见,选择一个合适的起始混合示教学习率对于模型收敛并提升预测精度至关重要。过高或过低的起始学习率都可能导致模型在学习过程中无法充分利用真实数据或过早地依赖自身预测,从而影响最终的预测性能。虽然起始学习率为0.5时RMSE略低于其他参数,但MAE略高于其他参数,尤其是MAPE显著优于其他参数。因此起始学习率选择0.5。

3.4 实验设置

所有模型和对比模型都在PyTorch2.0.0+cu11.8中实现,配备Intel (R) Core (TM) i9-13900FHX CPU和NVIDIA GeForce RTX 4060 Laptop GPU(8 GB)。依据交通流预测任务中常被采用且被证明有效的标准实践^[15,17],将所有数据集按照6∶2∶2的比例划分为训练集、验证集和测试集。采用随机种子的方法,确保结果的可复现性。基于相关领域最优实践和在验证集上进行的敏感性分析与超参数搜索共同确定模型的主要参数设置。实验中具体参数的设置如表3所示。

3.5 对比模型

为了验证该模型的优越性,设计了一组比较实验。所有对比模型均采用其原始论文中的最优参数配置,以确保对比模型能够展现出其最优性能,从而进行公正的比较。

(1)PDFormer^[18]。一种具有图掩码矩阵和延迟感知特征变换模块的时空自注意力模型。

(2)RGDAN^[19]。结合图扩散注意力模块和时间注意力模块,以提取时空相关性。

(3)DSTAGNN^[20]。通过自适应时空感知模块与多尺度门控卷积的协同架构,实现了对路网中宏观周期性规律与微观突变特征的双重捕捉。

(4)DGCRN^[21]。通过超网络构建动态邻接矩阵,将GNN与RNN结合,捕捉时空依赖关系。

(5)MTGODE^[22]。通过将图热核方程建模为微分方程形式,解耦时间积分与图传播步数之间的关系,以优化长时时空依赖的捕捉并减少参数量。

(6)STGNCDE^[23]。融合因果卷积和自适应门控机制的图神经网络模型,利用因果卷积处理时间序列的延迟传播特性,结合自适应门控图卷积提取动态时空关系。

(7)CNN-LSTM^[24]。该模型使用CNN提取交通路网的空间局部特征,结合LSTM捕捉流量的时序依赖,通过时空特征融合来预测多路段的交通流演化。

(8)A-LSTM^[25]。此模型在LSTM基础上引入注意力机制,对交通流历史时序中不同时间步的重要性进行动态加权,增强关键时序特征提取。

(9)STGCN^[26]。通过学习图节点之间的趋势相似性来构建动态邻接矩阵,并结合膨胀因果卷积和门控激活单元提取时间特征。

3.6 对比实验

在对比实验部分,通过MAE、RMSE和MAPE 3个评价指标对所提出的模型与9种预测方法进行了系统比较。从这3个指标的综合分析中,可以深入揭示各对比模型的局限性,并检验模型的各项性能。如表4所示。

从MAE和RMSE指标来看,本文模型在PEMS08和PEMS04数据集上均取得最优结果,MAE分别为13.83和17.80,RMSE分别为21.30和28.59,显著优于所有对比模型。具体而言,基于静态图结构的模型如PDFormer和RGDAN虽在一定程度上保持了拓扑稳定性,却难以响应交通状态的实时变化,尤其在突发流量场景下适应性较差,致使其在PEMS08数据集上MAE较本文模型分别高出约9.55%和9.01%,在PEMS04数据集上MAE较本文模型分别高出约5.22%和7.24%。而基于纯动态图结构的模型如DGCRN和MTGODE虽能自适应学习节点关系,但缺乏物理拓扑约束,在复杂路网中易引入噪声,导致预测稳定性不足,其在PEMS08数据集上RMSE较本文模型高出约9.48%和9.55%,在PEMS04数据集上RMSE较本文模型分别高出约6.23%和6.35%。通过双路径图注意力机制显式融合静态拓扑与动态状态信息,既保持了空间结构的稳定性,又增强了对实时交通变化的响应能力,从而在整体偏差控制(MAE)和极端误差抑制(RMSE)方面均表现出显著优势。

从MAPE指标来看,本文模型在PEMS08和PEMS04上分别达到8.77%和12.20%,显著优于所有对比模型。MAPE尤其能反映模型在低流量时段的表现,其优异结果说明:本文模型在不同流量规模下均具有良好的适应性。时序模型如CNN-LSTM和A-LSTM在空间建模方面存在明显瓶颈,无法有效捕捉非欧几里得空间中的长程依赖,其在PEMS08数据集上MAPE较本文模型高出约6.90%和7.00%,在PEMS04数据集上MAPE较本文模型均高出约6.44%。而STGCN等模型虽尝试融合动态特征,但未显式区分物理拓扑与状态关联,且缺乏误差控制机制,导致在低流量或非线性变化时段误差较大。其MAPE在两个数据集上较本文模型高出约9.68%和8.20%。本文模型通过动态混合示教机制在解码阶段协调真实值与预测值的输入,有效缓解了误差累积问题,进一步提升了对多变交通模式的刻画能力。

综上所述,本文模型通过双路径图注意力机制有效融合了静态路网拓扑与动态交通状态信息,使模型既能保持空间结构的稳定性,又能自适应捕捉实时交通关联。此外,动态混合示教解码策略有效缓解了训练过程中的误差累积问题,进一步提升了解码阶段的预测精度。因此,本文模型在各项指标上均一致优于所有对比模型,展现出更强的泛化能力和稳定性。

3.7 消融实验

为了系统评估提出的双路径时空图注意力网络中各核心模块对模型整体性能的贡献,在PEMS08数据集上设计并执行了一系列消融实验。消融实验通过逐一移除或替换模型中的关键组件,构建多个变体模型,并在相同实验设置下进行训练与测试,从而定量分析各模块对预测精度的影响。实验设计的变体模型如下。

(1)DSTGAT-1。在完整模型的基础上,移除动态注意力机制,仅保留静态注意力机制、LSTM编码器以及动态混合示教解码模块。该变体用于评估动态注意力机制在捕捉实时交通状态变化中的作用。

(2)DSTGAT-2。在完整模型的基础上,移除静态注意力机制,仅保留动态注意力机制、LSTM编码器以及动态混合示教解码模块。该变体用于评估静态注意力机制在保持路网拓扑稳定性方面的作用。

(3)DSTGAT-3。在完整模型的基础上,移除动态混合示教解码模块,采用普通递归解码方式,保留完整的双路径注意力机制与LSTM编码器。该变体用于验证动态混合示教机制在缓解误差累积、提升解码稳定性方面的有效性。

各变体模型在PEMS08数据集上的性能对比如表5所示。实验结果表明,完整模型(DSTGAT)在MAE、RMSE和MAPE3项指标上均达到最优,分别为14.00、21.47和8.86%。移除动态注意力机制(DSTGAT-1)后,MAE上升0.57%,这表明静态分支虽能保持路网物理结构的稳定性,但无法响应交通状态的实时变化,尤其在突发流量或异常事件场景下适应性不足。移除静态注意力机制(DSTGAT-2)后,RMSE上升0.19%,动态分支虽能捕捉实时交通关联,但缺乏物理约束易在拓扑复杂或数据稀疏的节点间引入噪声。完整模型通过可学习参数α自适应平衡静态与动态权重,既能保持路网固有连通关系的稳定性,又能灵活响应交通状态的动态变化,从而全面提升预测精度与鲁棒性。移除混合示教解码机制(DSTGAT-3)后,各项性能指标显著下降,MAPE大幅上升至12.62%,这表明该机制在缓解误差累积、加速模型收敛方面发挥关键作用。在训练初期,模型依赖真实值引导以快速学习基础分布,随着训练进行,动态衰减的混合比例逐步提高模型递归预测能力,使其更好地适应预测中的序列依赖性。该机制显著提升了模型在短时预测中的稳定性。

综上所述,消融实验结果一致表明,双路径图注意力机制中的静态与动态注意力分支共同构成了空间特征提取的核心,二者缺一不可。静态分支为模型提供了稳定的空间先验,动态分支则赋予其应对实时变化的灵活性;而动态混合示教解码机制则在时序生成过程中起到了关键的误差控制与训练调度作用。三者协同工作,显著提升了模型在复杂交通场景下的预测精度与稳定性,验证了本文模型设计的合理性与有效性。

3.8 可视化分析

从工作日交通流量预测来看,两个数据集的节点均呈现显著“双峰”特征。如图4(a)所示,PEMS04的节点183在工作日早高峰出现在07:00—09:00,真实流量峰值为180辆,预测值峰值为175辆;晚高峰出现在17:00—19:00,真实流量峰值为190辆,预测值峰值为186辆,两者偏差极小。如图5(a)所示,PEMS08的节点30在工作日早高峰07:00—09:00真实流量峰值为260辆,预测值为250辆;晚高峰17:00—19:00真实峰值为400辆,预测值为380辆,趋势完全吻合。这表明模型对早晚高峰时段交通流量的激增与回落具有极强捕捉能力,能够精准识别路网中因通勤出行形成的规律性流量波动。

从非工作日交通流量预测来看,交通流量整体呈现平缓波动特征,高峰时段不明显且峰值低于工作日。如图4(d)所示,PEMS04的节点124在非工作日10:00—16:00流量维持在300~450辆区间,真实值与预测的偏差均在5辆以内。如图5(d)所示,PEMS08的节点29在非工作日14:00—16:00出现小幅高峰,真实值415辆,预测值410辆,模型同样能准确跟随这一平缓波动趋势。这说明模型能够有效区分工作日与非工作日的交通模式差异,对非通勤场景下的流量特征具有良好适配性。

从其他极端场景的动态响应能力来看,模型DSTGAT对交通流量的突发变化表现出快速、灵敏的适应性,这充分检验了模型在极端场景下的性能。面对突发性流量上升场景,如图4(c)所示,PEMS04的节点124在工作日16:00因不确定因素导致流量从300辆升至500辆。DSTGAT的预测值亦能同步增至450辆。面对突发性流量下降场景,如图5(d)所示,PEMS08的节点29在非工作日 15:00 因不确定因素导致流量从400辆降至300辆。DSTGAT模型展现出极强的鲁棒性,其预测值跟随真实值下降至320辆。这种对交通事件的灵敏捕捉和快速动态响应能力,直接得益于双路径图注意力机制中的动态路径能够实时捕捉这些突发性、高波动的时空关联,并结合动态混合示教解码器有效抑制了复杂场景下的误差累积,体现了DSTGAT在实际复杂路网环境下更强的可靠性。

从平稳交通场景的交通流量预测来看,如图4(b)、图5(b)、图5(c)所示,非工作日或夜间低峰时段,交通流变化趋势相对平缓,波动幅度较小。在这些场景中,模型预测曲线与真实值几乎完全重合,显示出优异的拟合精度与稳定性。

4 结论

提出一种双路径时空图注意力的短时交通流量预测模型(DSTGAT),通过系统性的时空特征建模与解码策略优化,显著提升了交通流量预测的精度与鲁棒性。得出如下结论。

(1)所设计的静动态双路径图注意力机制能够有效处理交通路网中复杂多变的空间依赖性。静态路径保证了对路网固有拓扑结构的稳定学习,而动态路径则能够实时捕捉由交通流变化引起的突发性、隐藏性的空间关联。通过可学习参数的加权融合,模型实现了对稳定结构信息和实时动态信息的最佳平衡,而在空间表征中实现了结构稳定性与状态适应性的统一。

(2)消融实验结果表明,移除动态注意力、静态注意力或混合示教机制均导致模型性能显著下降,验证了各模块设计的必要性与协同作用。尤其是混合示教机制的移除使MAPE上升至12.62%,证明其在误差控制中的关键作用。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	曹倩霞, 麦仟龙, 吕松涛, 等. 基于短期非线性扰动自适应图的路网交通预测[J]. 中国公路学报, 2025, 38(7): 275-289.

[2]	Cao Qianxia, Mai Qianlong, Lü Songtao, et al. Road network traffic forecasting based on short-term nonlinear perturbation adaptive graph[J]. China Journal of Highway and Transport, 2025, 38(7): 275-288

[3]	张锦, 皮煜, 孙程, 等. 面向交通流量预测的时空编码器-解码器模型[J]. 国防科技大学学报, 2025, 47(3): 173-182.

[4]	Zhang Jin, Pi Yu, Sun Cheng, et al. Spatial-temporal encoder-decoder model for traffic flow prediction[J]. Journal of National University of Defense Technology, 2025, 47(3): 173-182.

[5]	Sattarzadeh A R, Kutadinata R J, Pathirana P N, et al. A novel hybrid deep learning model with ARIMA Conv-LSTM networks and shuffle attention layer for short-term traffic flow prediction[J]. Transportmetrica A: Transport Science, 2025, 21(1): 2236724.

[6]	Dong H, Zhang H, Ding F, et al. Co-evolving traffic state parameters prediction based on mechanism-data blending driven deep learning[J]. IEEE Transactions on Intelligent Transportation Systems, 2025, 26: 3084-3100.

[7]	Duan G, Du Y, Shang Y, et al. Research on support vector regression short-time traffic flow prediction model for secondary roads based on associated road analysis[J]. Applied Sciences, 2025, 15(4): 1779.

[8]	王飞, 孙鹏飞. 基于分解集成方法的空中交通流量短期预测[J]. 科学技术与工程, 2021, 21(35): 15270-15276.

[9]	Wang Fei, Sun Pengfei. Short term forecasting of air traffic flow based on decomposition and integration method[J]. Science Technology and Engineering, 2021, 21(35): 15270-15276.

[10]	Lin G, Lin A, Gu D. Using support vector regression and k-nearest neighbors for short-term traffic flow prediction based on maximal information coefficient[J]. Information Sciences, 2022, 608: 517-531.

[11]	汤泽慧, 赵丹, 王晟由. 基于CNN-LSTM-AM的短时交通流量预测[J]. 科学技术与工程, 2024, 24(31): 13562-13567.

[12]	Tang Zehui, Zhao Dan, Wang Shengyou. Short-term traffic flow prediction based on CNN-LSTM-AM[J]. Science Technology and Engineering, 2024, 24(31): 13562-13567.

[13]	Mondal M A, Rehena Z. Stacked lstm for short-term traffic flow prediction using multivariate time series dataset[J]. Arabian Journal for Science and Engineering, 2022, 47(8): 10515-10529.

[14]	Liu Y, Feng T, Rasouli S, et al. ST-DAGCN: a spatiotemporal dual adaptive graph convolutional network model for traffic prediction[J]. Neurocomputing, 2024, 601: 128175.

[15]	Li F, Feng J, Yan H, et al. Dynamic graph convolutional recu-rrent network for traffic prediction: benchmark and solution[J]. ACM Transactions on Knowledge Discovery from Data, 2023, 17(1): 1-21.

[16]	Liu J, Wang Y, Zhu J, et al. Amultilayer spatiotemporal correlation-aware graph attention network for traffic flow prediction[J]. IEEE Transactions on Neural Networks and Learning Systems, 2025, 36: 30903.

[17]	孟祥福, 徐永杰, 翁雪. 时空交叉注意力特征融合的交通流量预测模型[J]. 计算机科学与探索, 2025, 19(7): 1931-1944.

[18]	Meng Xiangfu, Xu Yongjie, Weng Xue, Spatio-temporal cross-attention feature fusion model for traffic flow prediction[J]. Journal of Frontiers of Computer Science and Technology, 2025, 19(7): 1931-1944.

[19]	钟松浩, 卢毅, 李理, 等. 基于跨周期稀疏技术的长时交通流预测模型[J]. 科学技术与工程, 2025, 25(24): 10468-10477.

[20]	Zhong Songhao, Lu Yi, Li Li, et al. Long term traffic flow forecasting model based on cross period sparse technique[J]. Science Technology and Engineering, 2025, 25(24): 10468-10477.

[21]	He G, Huang W, Zhu Y, et al. Adaptive spatial-temporal dependence graph convolution neural network for traffic flow prediction[J]. Expert Systems with Applications, 2025, 281: 127564.

[22]	Choi Y W, Shin H B, Lee S W. Brain-guided self-paced curriculum learning for adaptive human-machine interfaces[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2025, 55: 4693-4704.

[23]	Chen H, Huang J, Lu Y, et al. Urban traffic flow prediction based on multi-spatio-temporal feature fusion[J]. Neurocomputing, 2025, 638: 130117.

[24]	Jiang J, Han C, Zhao W X, et al. PDFormer: propagation delay-aware dynamic long-range transformer for traffic flow prediction[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Philadelphia: AAAI, 2023: 4365-4373.

[25]	Fan J, Weng W, Tian H, et al. RGDAN: a random graph diffusion attention network for traffic prediction[J]. Neural Networks, 2024, 172: 106093.

[26]	Lan S, Ma Y, Huang W, et al. DSTAGNN: dynamic spatial-temporal aware graph neural network for traffic flow forecasting[C]// International Conference on Machine Learning. Cambridge, MA: PMLR, 2022: 11906-11917.

[27]	Luo M, Dou H, Zheng N. Spatiotemporal prediction of urban traffics based on deep GNN[J]. Computers, Materials and Continua, 2024, 78(1): 265-282.

[28]	Jin M, Zheng Y, Li Y F, et al. Multivariate time series forecasting with dynamic graph neural odes[J]. IEEE Transactions on Knowledge and Data Engineering, 2022, 35(9): 9168-9180.

[29]	Choi J, Choi H, Hwang J, et al. Graph neural controlled differential equations for traffic forecasting[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Philadelphia: AAAI, 2022: 6367-6374.

[30]	Zheng H, Lin F, Feng X, et al. A hybrid deep learning model with attention-based conv-LSTM networks for short-term traffic flow prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(11): 6910-6920.

[31]	Sherafat E, Farooq B, Karbasi A H, et al. Attention-LSTM for multivariate traffic state prediction on rural roads[J]. arXiv Preprint, arXiv: 2301.02731, 2023.

[32]	贺文武, 裴博彧, 李雅婷, 等. 基于双向自适应门控图卷积网络的交通流预测[J]. 交通运输系统工程与信息, 2023, 23(1): 187-197.

[33]	He Wenwu, Pei Boyu, Li Yating. Traffic flow forecasting based on bi-directional adaptive gating graph convolutional networks[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(1): 187-197.