基于自适应图注意力门控网络的交通流量预测

贾现广; 郭梦毅; 吕英英; 瞿洁; 方伟杰; 张金科; 李栋

doi:10.12404/j.issn.1671-1815.2507328

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10592-10605 DOI: 10.12404/j.issn.1671-1815.2507328

交通运输

基于自适应图注意力门控网络的交通流量预测

贾现广 ¹ ,
郭梦毅 ¹ ,
吕英英 ²^,^* ,
瞿洁 ¹ ,
方伟杰 ¹ ,
张金科 ¹ ,
李栋 ¹

作者信息 +

Traffic Flow Prediction Based on Adaptive Graph Attention Gated Recurrent Network

Author information +

文章历史 +

摘要

为提高交通流预测的时空建模能力,提出一种基于自适应图注意力门控网络(adaptive graph attention-gate recurrent unit,AGA-GRU)的预测方法。该方法以可学习参数构建邻接矩阵,通过softplus与行归一化获得概率型结构,并引入逐行Top-K保留与重归一化实现硬稀疏化,同时对原始结构参数施加L1稀疏正则以提升结构可解释性与鲁棒性;在空间维度采用多头图注意力(graph attention network,GAT)抑制噪声边、突出关键关联,在时间维度采用门控循环单元(gate recurrent unit,GRU)刻画时序依赖,二者级联形成高效的时空建模框架。训练目标由预测误差与稀疏正则联合构成。实验在所用数据集上,以自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA)、双向长短期记忆网络(bidirectional long short-term memory network,Bi-LSTM)、图神经网络-长短期记忆网络(graph neural network-long short-term memory network,GNN-LSTM)、时空图卷积网络(spatio-temporal graph convolutional network,ST-GCN)、多任务图神经网络(multi-task graph neural network,MTGNN) 为对比基线,使用平均绝对误差(mean absolute error,MAE)、均方误差(mean squared error,MSE)、均方根误差(root mean squared error,RMSE)等指标进行评估。结果表明:AGA-GRU 在多步预测场景下整体优于对比方法,并能学习到稀疏且可解释的图结构(如自环与少量关键跨路段连接明显),兼顾预测精度与模型可解释性,适用于城市路网的交通流量预测。

Abstract

To enhance the spatio-temporal modeling capability of traffic flow prediction, a prediction method based on an adaptive graph attention gated recurrent unit network (AGA-GRU) was proposed. The method constructed a learnable adjacency matrix and obtains a probabilistic structure through softplus activation and row normalization. A row-wise Top-K retention and renormalization strategy was introduced to achieve hard sparsification, while an L1 sparsity regularization was applied to the structural parameters to improve interpretability and robustness. In the spatial dimension, multi-head graph attention (GAT) was employed to suppress noisy edges and highlight key correlations. In the temporal dimension, gate recurrent unit (GRU) was used to capture sequential dependencies. The two components were cascaded to form an efficient spatio-temporal modeling framework. The training objective combined prediction error and sparsity regularization. Experiments conducted on real-world datasets, with autoregressive integrated moving average model (ARIMA), bidirectional long short-term memory network (Bi-LSTM), graph neural network-long short-term memory network (GNN-LSTM), spatio-temporal graph convolutional network (ST-GCN), and multi-task graph neural network (MTGNN) as baseline models, were evaluated using mean absolute error (MAE), mean squared error (MSE), and root mean squared error (RMSE) metrics. The results show that AGA-GRU outperforms the compared methods in multi-step forecasting tasks and learns sparse and interpretable graph structures (e.g., self-loops and a few key cross-link connections), achieving a good balance between prediction accuracy and model interpretability. This method is well-suited for traffic flow prediction in urban road networks.

Graphical abstract

关键词

智能交通 / 交通流量预测 / 自适应图注意力门控网络(AGA-GRU)模型 / 时空依赖建模 / 自适应邻接

Key words

intelligent transportation / traffic flow prediction / adaptive graph attention gated recurrent unit network (AGA-GRU) model / spatio-temporal dependency modeling / adaptive adjacency

引用本文

引用格式 ▾

贾现广, 郭梦毅, 吕英英, 瞿洁, 方伟杰, 张金科, 李栋. 基于自适应图注意力门控网络的交通流量预测[J]. 科学技术与工程, 2026, 26(24): 10592-10605 DOI:10.12404/j.issn.1671-1815.2507328

JIA Xian-guang, GUO Meng-yi, LÜ Ying-ying, QU Jie, FANG Wei-jie, ZHANG Jin-ke, LI Dong. Traffic Flow Prediction Based on Adaptive Graph Attention Gated Recurrent Network[J]. Science Technology and Engineering, 2026, 26(24): 10592-10605 DOI:10.12404/j.issn.1671-1815.2507328

登录浏览全文

4963

注册一个新账户忘记密码

随着城市化与机动车保有量的增长,交通拥堵与环境问题日益严峻。作为智能交通系统的核心之一,交通流量预测不仅是交通规划与管理的基础,也是实现路径推荐及诱导的关键支撑^[1]。然而,精准预测面临巨大挑战,主要难点在于复杂的空间依赖性(路网拓扑与流动的相互影响)与多尺度时间依赖性(周期规律与突发波动)^[2]。

针对上述问题,相关研究经历了从统计方法到深度时空建模的演进。早期的自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA)、卡尔曼滤波等统计方法虽解释性强,但在处理大规模非线性数据时泛化不足^[3-4]。传统机器学习[如支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)]虽有改进,却常忽略空间相关性^[5]。近年来,循环神经网络(recurrent neural network,RNN)、长短期记忆网络(long short-term memory network,LSTM)等深度学习模型因擅长时序建模被广泛应用^[6-7]。为了提升特征提取能力,汤泽慧等^[8]提出了基于注意力机制的CNN-LSTM-AM模型,有效增强了短时预测中关键特征的权重。宋瑞蓉等^[9]提出了融合多维时空特征的CLABEK模型,结合Conv-LSTM与卡尔曼滤波同时捕捉交通流的线性和非线性特征。尽管混合模型提升了精度,但处理非欧几里得空间结构的能力依然有限^[10]。

鉴于此,图神经网络(graph neural network,GNN)成为新趋势,它能有效建模路网复杂的拓扑结构与空间依赖^[11-15]。时空图卷积网络(spatio-temporal graph convolutional network,ST-GCN)^[16]、扩散卷积循环神经网络(diffusion convolutional recurrent neural network,DCRNN)^[17]及动态图卷积循环网络(dynamic graph convolutional recurrent network,DGCRN)^[18]等模型的提出,实现了时空特征的高效融合^[19-20]。尽管取得了进展,但早期方法多依赖静态邻接矩阵,难以刻画动态变化的时空相关性^[21]。为此,学者们转向自适应图学习。Xu等^[22]提出的双动态时空图卷积网络(dual dynamic spatio-temporal graph convolutional network,DDSTGCN)利用时空分解框架与动态图学习模块,显著提升了对交通流动态依赖的捕捉能力。此外,Graph WaveNet^[23]、自适应图卷积循环网络(adaptive graph convolutional recurrent network,AGCRN)^[24]及同步时空图卷积网络(spatio-temporal synchronous graph convolutional network,STSGCN)^[25]等方法也通过参数化矩阵与稀疏正则化^[26-27],结合注意力机制^[28-31]进一步增强了模型鲁棒性^[32-33]。

综上所述,现有研究在自适应图学习与注意力机制方面已取得显著进展,但仍存在不足:一是静态或稠密图结构的局限,静态矩阵缺乏动态适应性,而自适应生成的稠密矩阵往往引入噪声且计算开销大;二是可解释性缺失,多数深度模型难以揭示道路间的具体作用机制;三是时空建模的效率与鲁棒性矛盾。因此,迫切需要一种既能动态学习图结构、又能在保证稀疏性与可解释性的前提下高效融合时空依赖的预测框架。

针对上述问题,提出一种自适应图注意力门控循环网络(adaptive graph attention-gate recurrent unit,AGA-GRU),并设计了一套稀疏自适应邻接学习机制。该方法通过参数化邻接建模、稀疏化约束与多头图注意力的结合,以实现动态空间依赖与复杂时间依赖的协同预测。主要贡献如下:一是提出一种自适应邻接矩阵学习,以可学习参数矩阵为基础,通过Softplus非负化与行归一化生成概率型邻接矩阵,使模型能够在训练过程中动态学习道路间潜在的空间依赖;二是设计稀疏化与Top-K保留策略(K为超参数),在参数空间引入L1正则化,并结合Top-K策略,有效抑制噪声边干扰,得到稀疏且结构清晰的邻接矩阵,从而提升预测性能与可解释性;三是引入自环增强机制,在邻接构建中引入对角线增强因子,突出自环信息,使模型在捕捉道路自身历史演化时更加稳定和鲁棒;四是构建时空融合建模框架,空间维度采用多头图注意力(Multi-Head GAT),时间维度采用GRU,实现局部扰动与全局周期的协同感知,兼顾预测精度与效率;五是通过对学习到的稀疏邻接矩阵进行可视化分析,揭示道路间的潜在交互关系,为交通信号配时与控制决策提供直观依据。在杭州与济南的真实交通数据集上的实验结果表明,AGA-GRU在平均绝对误差(mean absolute error,MAE)、均方根误差(root mean squared error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)指标上整体优于传统统计方法与现有深度学习基线模型。同时,提供了对自适应邻接矩阵的可解释性分析,揭示模型如何自动学习非局部道路之间的潜在相关性,为后续的交通预测与智能信号控制研究提供了新的视角。

1 问题描述与建模

1.1 问题定义

城市交通网络通常可建模为一个带权有向图,可表示为

(1)G=(V,E,A)

式(1)中:V={v₁,v₂,…,v_N}为节点集合,每一节点对应一个道路段(road segment)或检测器;E⊆V×V为有向边集合,表示交通流的潜在传播方向;A∈R^N^×^N为邻接矩阵,其元素A_ij描述节点v_j对节点v_i的影响强度,可为预定义拓扑,也可由模型自适应学习。

在时刻t,每个节点具有d维特征(如流量、速度、占有率等),记为

(2)X_t=$[{x}_{\mathrm{t},1},{x}_{\mathrm{t},2},\dots,{x}_{\mathrm{t},\mathrm{N}}{]}^{\mathrm{T}}$∈R^N^×^d

式(2)中:x_t_,_i为时刻t第i个节点的d维特征向量。

设定历史观测窗口长度为T,预测步长为H。因此交通流预测问题的目标可定义为

(3)X_t_-_T_+1∶_t={X_t_-_T₊₁,X_t_-_T₊₂,…,X_t}

给定过去T个时间片的节点特征序列。学习一个映射函数,即

(4)F:(G,X_t_-_T_+1:_t)→${\hat{X}}_{t+1:t+H}$

以最小化预测输出与真实值之间的误差,可表示为

(5)${\hat{X}}_{t+h}$≈X_t₊_h, h=1,2,…,H

式中:

${\hat{X}}_{t+1:t+H}$

${\hat{X}}_{t+1}$

${\hat{X}}_{t+2}$

,…,

${\hat{X}}_{t+H}$

}为模型输出的未来H步交通状态。

为了提高训练稳定性,所有输入序列在训练阶段采用标准化处理,即

(6)X'=$\frac{X-\mu }{\sigma }$

式(6)中:X为输入序列;μ和σ分别为训练集全局均值与标准差。

最终输出在预测阶段通过反标准化恢复为物理量。

1.2 模型概述

所提出的AGA-GRU模型,由4个紧耦合部件构成,框架图如图1所示。

(1)自适应邻接学习。以可学习的图权重参数矩阵A_param∈R^N^×^N为底座,通过softplus非负化、对角线增强、行归一化与Top-K稀疏化构造概率型稀疏邻接

$\dot{A}$

,保证可解释性与鲁棒性。

(2)多头图注意力(GAT)。在

$\dot{A}$

掩码约束下进行邻域加权聚合,多头拼接提升表达力;该层对每个时间片共享参数并行作用。

(3)GRU时序建模。将每个时间片经GAT的空间表示拼接为序列,输入GRU捕捉跨时间的非线性依赖。

(4)预测与稀疏规约。全连接层产生N×h的多步预测;对A_param施加ℓ₁正则促进结构稀疏。

(5)数据流动形态为:X∈R^N^×^m^×^d→

$\dot{A}$

→GAT_L→GRU→FC→

$\hat{Y}$

∈R^N^×^h,其中GAT_L为堆叠L层GAT网络。

1.3 方法

1.3.1 自适应邻接矩阵学习

以A_param∈R^N^×^N为可学习权重,按如下步骤得到稀疏的概率邻接

$\dot{A}$

。

(1)非负化(softplus)。

(7)A_pos=softplus(A_param)∈${\mathrm{R}}_{0}^{N\times N}$

式(7)中:A_pos为经过非负化(softplus激活)后的邻接矩阵。

(2)对角线增强(自环强化)。设增强系数γ>1,则有

(8)(A_pos)_ii←γ(A_pos)_ii, i=1,2,…,N

式(8)中:(A_pos)_ii(即矩阵A_pos的主对角线元素)代表路网图结构中第i个节点(具体道路段或交叉口)的自环(Self-loop)权重,其物理含义为该节点自身历史交通流演化特征对其未来状态的影响强度或自相关程度。

(3)行归一化(概率化)。记1为全1向量,D=diag(A_pos1),则有

(9)

${A}_{\mathrm{r}\mathrm{o}\mathrm{w}}={D}^{-1}{A}_{\mathrm{p}\mathrm{o}\mathrm{s}},\sum _{j}({A}_{\mathrm{r}\mathrm{o}\mathrm{w}}{)}_{ij}=1$

式(9)中:A_row为经过行归一化(概率化)后的邻接矩阵,每一行的权重之和为1。

(4)Top-K稀疏化与重归一化。令N_K(i)为第i行权重最大的K个索引集合,定义掩码为

(10)(M_K)_ij=$\left\{\begin{array}{ll}1,& j\in {N}_{K}\left(i\right)\\ 0,& \mathrm{其}\mathrm{他}\end{array}\right.$

则稀疏化与重归一化为

(11)

${\hat{A}}_{ij}=\frac{({A}_{\mathrm{r}\mathrm{o}\mathrm{w}}☉{M}_{K}{)}_{ij}}{\sum _{j}({A}_{\mathrm{r}\mathrm{o}\mathrm{w}}☉{M}_{K}{)}_{ij\text{'}}+\epsilon }$

式(11)中:

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

为最终经过Top-K稀疏化与重归一化后的邻接矩阵

$\hat{A}$

的第i行、第j列元素(即节点j对节点i的最终影响权重);A_row为上一步得到的行归一化概率邻接矩阵;M_K为由式(10)定义的Top-K掩码矩阵;☉为Hadamard乘(即矩阵对应位置的元素逐个相乘);j'为局部求和变动索引,表示对掩码处理后第i行的所有元素进行累加操作;ε为极小常数,用于防止除以零的数值计算错误;同时通过在Top-K掩码中强制保留自环,即满足(M_K)_ii=1,保证每一行至少存在一个非零元素,从而避免归一化过程中出现分母为零的情况。

1.3.2 多头图注意力(GAT)与结构掩码

对任一时间片,设输入节点特征矩阵H∈R^N×F_in(其中N为路网中的节点总数,F_in为输入特征维度)。单头注意力包含线性变换W∈R^F_out×F_in(F_out为输出特征维度)与两侧打分向量a_src,a_dst∈R^F_out。代码采用“源/宿”分解的打分方式,可表示为

(12)e_ij=LeakyReLU[a^T_src(Wh_i)+a^T_dst(Wh_j)]

式(12)中:e_ij为节点i和节点j之间的原始注意力分数;LeakyReLU为带泄露的线性整流函数,作为注意力打分的非线性激活;h_i为节点i在当前时间片的输入特征向量(即特征矩阵H的第i行转置);h_j为节点j在当前时间片的输入特征向量。

在

$\dot{A}$

作为结构掩码的约束下进行带掩码的 softmax归一化,可得注意力权重为

(13)

${\alpha }_{ij}=\frac{\mathrm{e}\mathrm{x}\mathrm{p}\left({e}_{ij}\right){\dot{A}}_{ij}}{\sum _{k}\mathrm{e}\mathrm{x}\mathrm{p}\left({e}_{ik}\right){\dot{A}}_{ik}+\epsilon },　\sum _{j}{\alpha }_{ij}=1$

式(13)中:α_ij为节点j对节点i的最终归一化注意力权重;e_ik为节点i与其邻域内节点k之间的原始注意力分数;

${\dot{A}}_{ij}$

为自适应稀疏概率邻接矩阵

$\dot{A}$

的第i行、第j列元素,此处作为结构掩码决定节点j能否向节点i传播信息;

${\dot{A}}_{ik}$

为矩阵

$\dot{A}$

的第i行、第k列元素,用于在局部求和时筛选节点i的所有有效空间邻居。

随后按权重聚合得到更新:

(14)

$h\text{'}{}_{i}=\sum _{j}{\alpha }_{ij}W{h}_{j}$

式(14)中:h'_i为节点i经过图注意力机制聚合其邻域节点信息后,得到的更新隐状态特征向量。

采用P个注意力头并行,输出在特征维拼接:

(15)H'||${}_{p=1}^{P}$H'⁽^p⁾∈R^N(PF_out)

式(15)中:P为并行的注意力头数;p为当前注意力头的索引变量;||表示在特征维度上的拼接(Concatenation)操作;H'⁽^p⁾为第p个注意力头输出的更新特征矩阵;H'为经过多头注意力机制处理并拼接后,最终形成的空间表示特征矩阵。

1.3.3 GAT-GRU的时序耦合

对历史窗口内每个时间片τ∈{t-m+1,t-m+2,…,t},施加共享参数的多头GAT(m为历史窗口内实际参与计算的时间片数量)得

(16)${H}_{\tau }^{\left(\mathrm{g}\mathrm{a}\mathrm{t}\right)}$∈R^N×F_g, F_g=PF_out

式(16)中:

${H}_{\tau }^{\left(\mathrm{g}\mathrm{a}\mathrm{t}\right)}$

为时间片τ经过多头图注意力机制(GAT)处理后输出的空间特征表示矩阵,它融合了该时刻路网中各节点的局部空间依赖信息;F_g为GAT层输出的总特征维度。

将其按时间堆叠并“节点展平”形成RNN序列输入,可表示为

(17)

s_τ=vec[${H}_{\tau }^{\left(\mathrm{g}\mathrm{a}\mathrm{t}\right)}$]∈R^N×F_g,

S={s_t_-_m₊₁,s_t_-_m₊₂,…,s_t}

式(17)中:s_τ为时刻τ的空间特征矩阵

${H}_{\tau }^{\left(\mathrm{g}\mathrm{a}\mathrm{t}\right)}$

经过向量化(vec操作,即节点展平)后得到的一维特征向量,它包含了该时刻路网全局的空间状态信息,作为RNN 单个时间步的输入;S为历史窗口内连续m个时间片的展平特征向量按时间先后顺序堆叠形成的RNN(即后文的GRU)完整序列输入。

GRU更新方程为

(18)

$\left\{\begin{array}{l}{z}_{\tau }=\sigma ({W}_{\mathrm{z}}{s}_{\tau }+{U}_{\mathrm{z}}{h}_{\tau -1})\\ {r}_{\tau }=\sigma ({W}_{\mathrm{r}}{s}_{\tau }+{U}_{\mathrm{r}}{h}_{\tau -1})\\ {\dot{h}}_{\tau }=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}[{W}_{\mathrm{h}}{s}_{\tau }+{U}_{\mathrm{h}}({r}_{\tau }☉{h}_{\tau -1}\left)\right]\\ {h}_{\tau }=(1-{z}_{\tau })☉{h}_{\tau -1}+{z}_{\tau }☉{\dot{h}}_{\tau }\end{array}\right.$

式(18)中:z_τ、r_τ分别为GRU在时刻τ的更新门和重置门;

${\dot{h}}_{\tau }$

为GRU在时刻τ的候选隐藏状态;h_τ为GRU在时刻τ的最终隐藏状态;σ、tanh分别为 sigmoid 和tanh激活函数;W_z、U_z、W_r、U_r、W_h、U_h为GRU内部的权重参数矩阵;1为全1的向量。

最终以末时刻隐状态h_t通过线性映射得到多步预测向量并重塑为

$\hat{Y}$

∈R^N^×^h,即

(19)vec($\hat{Y}$)=W_oh_t+b_o

式(19)中:W_o、b_o分别为最终全连接层(FC)的权重矩阵和偏置向量。

1.3.4 目标函数与稀疏正则

主损失采用均方误差衡量预测值与真实值之间的差异,主损失函数可表示为

(20)

${L}_{\mathrm{M}\mathrm{S}\mathrm{E}}=\frac{1}{Nh}\stackrel{N}{\sum _{i=1}}\stackrel{h}{\sum _{\mathcal{l}=1}}({\dot{y}}_{i,\mathcal{l}}-{y}_{i,\mathcal{l}}{)}^{2}$

式(20)中:

${\dot{y}}_{i,\mathcal{l}}$

为节点i在未来第ℓ个预测步长的交通流预测值;y_i_,_ℓ为节点i在未来第ℓ个预测步长的真实观测值;N为路网中的节点总数;h为多步预测的总步长。

在参数矩阵本体上施加ℓ₁稀疏正则(比对归一化后的

$\dot{A}$

做稀疏更有效),可得L1正则化项为

(21)L_sparse=λ_sparse||A_param||₁

式(21)中:λ_sparse为L1正则化的惩罚系数(超参数),用于控制稀疏性的强度。

总目标函数为

(22)L=L_MSE+L_sparse

优化器为Adam,在不同规模的路网中,模型参数的敏感性差异较大,因此在学习率的设定上采用了数据集自适应策略。对于单交叉口数据集,由于节点数量少、图结构简单、参数规模较小,模型在训练过程中梯度变化较为平稳。通过对{1×10^-2,1×10^-3,1×10^-4,1×10^-5}的候选学习率进行验证集评估,发现1×10^-3在收敛速度与预测性能之间取得了最佳平衡。而对于十二交叉口的大规模路网,模型包含的图注意力层与GRU层参数显著增多,梯度范数波动更大。实验表明,在较高学习率(如1×10^-3或1×10^-4)下容易出现训练震荡,而较低学习率(如1×10^-5)能够显著提升训练稳定性并带来更优的验证集性能。因此在多交叉口数据集上最终选用1×10^-5作为最优学习率。

训练过程中未使用Early-Stopping,而是采用基于验证集性能的最佳模型选择机制。每轮训练结束后,计算验证集RMSE,并保存验证RMSE最小对应的模型参数,确保最终使用的为性能最优模型;关键结构超参包括Top-K、对角增强系数(γ)与稀疏系数(λ_sparse)。

2 实验设计

2.1 实验数据集与预处理

2.1.1 数据来源与总体说明

使用来自中国两座城市的实测路侧摄像头数据集^[34-36]:杭州(古荡街道子辖区)与济南(东风街道子辖区),原始记录包含时间戳、摄像头/道路ID与车辆识别信息。通过摄像头地理位置与时间序列匹配,可还原车辆的行驶片段,从而统计得到双向动态流量与转向流(左转/直行/右转)等量化指标。道路网络由OSM(OpenStreetMap)导入并裁剪为研究区域,形成roadnet.json;车辆行程由视频解析/轨迹匹配导出为flow.json。表1给出两组数据集的基本统计。两个数据集均为1 h时长的交通流记录并经过轨迹还原处理,杭州数据集含1个交叉口、8条路段,车辆事件4 000条;济南数据集含12个交叉口、62条路段,车辆事件11 000条。两数据集均以60 s时间粒度离散化,共生成60个时间片。基于输入窗口长度12与预测步长15、30、45,通过滑动窗口可构造43~47条有效序列样本。采样与车辆轨迹解析完全由美国宾夕法尼亚州立大学(Pennsylvania State University)的 Zhenhui (Jessie) Li教授团队构建与发布提供,在此基础上进行二次处理,并按60 s的时间粒度离散化,形成时间序列样本。尽管时长为1 h,但事件密度高,每分钟车辆数百,形成了足够丰富的序列动态特征,与交通预测中常用的“高密度短时窗口”设置一致。

2.1.2 路网映射

为将OSM路段映射为图结构,以道路段(road segment)为节点,构造静态邻接矩阵A∈R^N^×^N。若道路r_i与r_j在起点或终点处共享同一交叉口(即s_i=s_j或s_i=e_j或e_i=s_j或e_i=e_j),则视为拓扑相邻并赋A_ij=1。若某节点无任一相邻(整行全零),则补充自环A_ii=1以保证连通性与数值稳定。静态邻接仅用于初始化与对照分析;模型训练中使用自适应学得的邻接

$\hat{A}$

。

2.1.3 事件抽取与聚合口径

每条flow.json记录含字段{route, startTime, endTime, interval}。路程route为路段ID序列,interval指明在区间内按固定步长产生的采样时刻集合。为明确计数口径,采用两种聚合模式中的spawn(默认)。

(1)spawn:在每条行程上仅统计首段道路的进入事件。

(2)route:在每个采样时刻将该行程中所有路段计一次。

事件集合ε_event={(t,rid)},其中rid为道路ID。

2.1.4 时间离散化与计数矩阵构建

采用固定时间窗进行计数聚合,参数如下。

时间窗长度:time_bin_size=60 s。

以全局t_min、t_max确定窗口数,可表示为

(23)B=$\frac{{t}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{t}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}\_\mathrm{b}\mathrm{i}\mathrm{n}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}$+1

初始化计数矩阵C∈R^B^×^N为零;对于每个事件(t,rid),计算窗索引,计算公式为

(24)b=$\frac{t-{t}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}\_\mathrm{b}\mathrm{i}\mathrm{n}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}$

并做C_b_,idx(rid)=C_b_,idx(rid)+1。其中C为全局交通流计数矩阵,C_b_,idx(rid)为矩阵C中第b行、第idx(rid)列的普通标量元素,表示在时间窗b内道路r上的累计事件数;idx(rid)为道路ID r到矩阵对应列号的映射函数。该过程将“无事件”自然表示为0,无需额外插值;保留极端值以反映真实流量波动。

2.1.5 序列构造与数据切分

采用滑动窗口构造样本:输入长度input_len=12,预测长度pred_len=15、30、45,样本对为

(25)

$\left\{\begin{array}{l}{X}_{\mathrm{s}}=C[s:s+\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}\_\mathrm{e}\mathrm{n},:]\\ {Y}_{\mathrm{s}}=C[s+\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}\_\mathrm{e}\mathrm{n}:s+\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}\_\mathrm{e}\mathrm{n}+\\ \mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}\_\mathrm{e}\mathrm{n},:]\end{array}\right.$

式(25)中:X_s为输入样本(取从第s个窗口开始的input_en个窗口);Y_s为对应输出标签(预测未来pred_en个窗口);s为当前滑动窗口的起始时间片变动索引;input_en为模型输入的历史时间片总长度;pred_en为模型需要预测的未来时间片总长度;:表示取矩阵中对应时间段内的所有节点特征。

按样本条目将数据划分为训练/验证/测试集合。由于交通流数据具有显著的时间依赖性,必须采用按时间顺序划分数据集,而不能采用随机8∶2原则。实验比较多种比例后发现0.6/0.2/0.2在训练充分性、验证稳定性和测试代表性之间取得了最佳平衡,因此选用该比例。

数据加载器返回形状:输入(T,N,1),输出 (pred_len,N)。

2.1.6 标准化与复原

为提升训练稳定性,对训练集全局元素计算均值(μ)与标准差(σ),并对训练/验证/测试集统一做z-score标准化,则有

(26)$\dot{X}$=$\frac{X-\mu }{\sigma +\epsilon }$, $\dot{Y}$=$\frac{Y-\mu }{\sigma +\epsilon }$

式(26)中:X为原始输入特征;Y为原始真实值标签;

$\dot{X}$

为经过标准化处理后的输入特征;

$\dot{Y}$

为经过标准化处理后的真实值标签;ε=10^-8防止除零。

预测输出

$\hat{Y}$

在评估时做反标准化,即

(27)${\hat{Y}}_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}$=$\hat{Y}$(σ+ε)+μ

式(27)中:

$\hat{Y}$

为模型在标准化特征空间下输出的多步预测结果;

${\hat{Y}}_{\mathrm{r}\mathrm{e}\mathrm{a}\mathrm{l}}$

为经过反标准化恢复到真实物理量级(即实际交通流量)的最终多步预测结果。

2.2 评价指标

为全面评估模型的预测精度与稳健性,采用以下常见指标。令

${\dot{y}}_{i,t}$

与y_i_,_t分别为节点i在预测步t的预测值与真实值,节点数为N,预测步数为h。

MAE的计算公式为

(28)

$\mathrm{M}\mathrm{A}\mathrm{E}=\frac{1}{Nh}\stackrel{N}{\sum _{i=1}}\stackrel{h}{\sum _{t=1}}\left|{\dot{y}}_{i,t}-{y}_{i,t}\right|$

RMSE的计算公式为

(29)

$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{1}{Nh}\stackrel{N}{\sum _{i=1}}\stackrel{h}{\sum _{t=1}}({\dot{y}}_{i,t}-{y}_{i,t}{)}^{2}}$

MAPE的计算公式为

(30)

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

当y_i_,_t=0时采用小常数修正或按样本排除以避免分母为0。在计算MAPE时仅对非零接地真值的样本进行计算,MAPE偏高,因为流量数值本身很小,误差稍微大一点,比例就很高。

2.3 对比模型

为验证AGA-GRU的性能,将本文方法与ARIMA、Bi-LSTM、GNN-LSTM、ST-GCN、MTGNN进行比较。每个对比模型的实现概述与关键超参数选择策略如下。

(1)ARIMA(统计基线)。①对每个节点独立建模;通过AIC/BIC或验证集选择阶数(p,d,q),其中p为自回归阶数,d为差分次数,q为滑动平均阶数;②优点:参数少、训练快速;缺点:难以捕获非线性与空间依赖。

(2)Bi-LSTM(时间序列深度学习基线)。①双向LSTM层(1或2层),隐藏单元数64~128;②输入为节点级序列(不显式建模空间依赖),采用dropout与早停。

(3)GNN-LSTM(图卷积+LSTM)。①空间模块:GCN/GraphSAGE对节点邻域做特征聚合(1或2 层);②时间模块:LSTM隐藏维度 64~128;③使用邻接静态矩阵A或基于距离的预定义矩阵。

(4)ST-GCN(时空图卷积网络)。①将时空卷积块(空间卷积+时间卷积)堆叠以捕获局部时空模式;②超参按文献[16]建议设置并在验证集上微调。

(5)MTGNN(多时序图神经网络)。①含自适应图学习、可分离卷积与混合时序卷积模块,文献[19]实现中表现优异;②超参及训练细节按公开实现并对学习率、正则化进行小范围搜索。

对每一模型在验证集上进行小范围的超参数搜索以保证公平比较(详见3.4节)。

2.4 选择模型参数与训练细节

为保证可复现性与公平比较,所有模型遵循以下实验协议与超参数选择原则。

2.4.1 全局训练协议

(1)优化器Adam。初始学习率η=1×10^-3(在{1×10^-5,1×10^-4,1×10^-3,1×10^-2}中搜索)和η=1×10^-5(在{1×10^-5,1×10^-4,1×10^-3,1×10^-2}中搜索)。

(2)批大小:64,若内存受限可适当减小。

(3)训练轮数:30,若发现在第30轮后仍有明显下降可延长至100轮,但采用验证集早停:若验证RMSE在连续10个epoch未下降则提前停止并保存最优模型;

(4)随机种子:42,用于 NumPy 与 PyTorch。

(5)正则化:Dropout(0.1~0.3)与权重衰减(L2)可选;在AGA-GRU上额外使用ℓ₁稀疏正则化。

2.4.2 基线模型超参数

为公平比较,基线模型在以下范围内选择超参数,并以验证集RMSE为选择准则。

(1)ARIMA。通过 AIC/BIC 在训练集上选择(p,d,q)。

(2)Bi-LSTM。层数∈{1,2},隐藏单元∈{64,128},dropout∈{0.1,0.3}。

(3)GNN-LSTM。GCN 层数∈{1,2},GCN隐藏单元∈{16,32},LSTM隐藏单元∈{64,128}。

(4)ST-GCN。时空块数量∈{2,4},时间卷积核宽度∈{3,5}。

(5)MTGNN。依据开源实现,调整学习率与稀疏超参以获得最优验证性能。

(6)AGA-GRU(本文模型)。针对核心超参数(即稀疏化过程中保留的节点数K)在候选集合{1,3,5,10,12,15}内进行小范围网格搜索,以确定最优配置。

3 结果与分析

3.1 不同模型的整体性能对比

从表2整体实验结果来看,不同模型在两个真实交通流数据集上的表现存在显著差异。传统的 ARIMA 方法在两个数据集上的预测精度均明显落后,尤其在中长期预测中误差较大,说明其线性建模能力不足以应对复杂的交通流非线性时序特征,值得注意的是,表2中ARIMA模型在济南数据集30 min预测步长下的MAPE出现了异常极值。经分析,这并非实验误差,而是由MAPE指标对低流量样本的敏感性导致的,尽管该组实验的MAE(1.716 6)和RMSE(3.046 9)保持在正常低位,说明模型的绝对预测偏差较小;但在路网中的低流量或零流量时段,作为线性模型的ARIMA可能会预测出非零数值。当真实流量y_t→0时,计算公式

$\frac{\left|{y}_{t}-{\dot{y}}_{t}\right|}{{y}_{t}}$

(其中

${\dot{y}}_{t}$

为时刻t的交通流量预测值)中的分母极小,导致个别样本的百分比误差呈指数级爆炸,从而拉高了整体平均值。这一现象也反向证明了单纯依赖MAPE评价交通流预测的局限性,以及引入AGA-GRU等深度学习模型处理稀疏数据的必要性。

深度学习方法中,Bi-LSTM能够较好地捕捉时间序列的动态特征,在短期预测(15 min)中表现出一定优势,例如在杭州数据集上的15 min MAPE 达到 100.98%,为所有模型中最低。然而,Bi-LSTM缺乏对空间依赖的建模能力,因此在多时间尺度预测上精度下降明显,在济南数据集的45 min预测中MAPE升高至22.63%,表现出对复杂路网结构建模的不足。

图神经网络类模型如GNN-LSTM与ST-GCN 在一定程度上改善了空间依赖建模问题。例如,在杭州数据集的45 min预测中,GNN-LSTM的 MAPE 达到91.35%,优于Bi-LSTM与ST-GCN。但这些模型的空间关系建模仍然依赖固定邻接矩阵,难以自适应捕捉动态交通流的变化特性,从而导致在济南数据集中的表现不够稳定。

MTGNN融合了图神经网络与时间卷积机制,在短期预测中取得了较优结果。例如,在济南数据集的 15 min 预测中,MTGNN的MAE为 0.475 5,仅次于 AGA-GRU。然而,由于其图结构仍依赖预定义邻接关系,模型的泛化能力在跨场景应用中受到一定限制。

相比之下,所提出的AGA-GRU在两个数据集和3个时间尺度上均展现出稳定且优越的性能。在杭州数据集上,AGA-GRU在 15、30、45 min的预测中均取得最低或接近最低的MAE与RMSE,其中 15 min MAE为2.446 6,优于所有对比模型。在济南数据集上,其优势表现得更为明显,15 min MAE达到0.472 1,RMSE为0.873 5,MAPE为18.18%,均为最佳结果,并在30 min和45 min 预测中保持领先。该结果表明,AGA-GRU 在捕捉复杂交通流的动态时空依赖关系方面更具优势,能够有效适应不同城市、不同时间尺度的交通预测任务。

综上,Bi-LSTM在时间序列建模上具备一定优势,GNN-LSTM与ST-GCN在空间依赖捕捉上有所改善,MTGNN在短期预测中表现突出,但整体稳定性不足。AGA-GRU通过引入自适应邻接矩阵与门控循环单元的耦合机制,兼顾了空间结构与时间动态的双重特征建模,显著提升了预测精度与泛化能力,验证了其在交通流预测任务中的有效性与优越性。

为了更直观地展示不同模型在各预测时间尺度下的表现,将表2的实验结果绘制为柱状图,如图2和图3所示,分别给出了杭州与济南数据集在MAE、RMSE和MAPE 3个指标下的对比情况。可以看出,传统方法 ARIMA 的误差显著高于深度学习模型,而基于时空建模的GNN-LSTM、ST-GCN 与MTGNN在一定程度上提升了预测性能,但整体仍存在不足。相比之下,所提出的AGA-GRU在大多数时间尺度和指标下均取得最优结果(标注为红色五角星),进一步凸显了该方法在复杂交通流预测任务中的优势。

3.2 邻接矩阵对比与可解释性分析

3.2.1 杭州单交叉口

为了进一步验证所提出 AGA-GRU 模型在空间依赖建模上的有效性,对杭州单交叉口的邻接矩阵进行可视化与数值分析,如图4所示。图4从3个层面展示了邻接关系的不同表现形式。

(1)静态邻接矩阵A[图4(a)所示的拓扑固定图]。由实际路网结构直接构造,仅能表示道路之间的物理连通关系,即“有/无连接”,无法反映不同连接的重要性,也难以捕捉非直接相邻道路的潜在影响。

(2)学习得到的稀疏矩阵A_hat-clean[图4(b)所示稀疏结构图]。由模型在训练过程中学习得到,并经过稀疏化处理,仅保留最显著的连接关系。该矩阵能够自动突出对预测最有贡献的道路间依赖,并抑制冗余或无效连接,因而具有更强的结构可解释性。

(3)学习得到的稀疏矩阵(含数值)A_hat-values[图4(c)所示的带权重图]。展示了学习后的具体权重分布。从数值上看,对角线元素集中在0.517,表明模型在信息传播中强调了每条道路的自信息保持;而相邻道路之间的权重约为0.241,说明其在预测中具有重要作用;远距离或无关道路的权重则被抑制为0,进一步凸显了稀疏性与选择性。这种加权邻接矩阵不仅体现了连接强度,还能揭示潜在的长程依赖。

总体来看,静态矩阵A仅能反映道路是否相连,而自适应矩阵则能进一步量化连接强度并捕捉潜在的非局部依赖;通过稀疏化处理后的A_hat-values,模型在保持预测性能的同时,获得了更好的可解释性与直观性。这种3图对比为理解模型内部的空间关系建模提供了有力支撑。

3.2.2 济南十二交叉口

为了进一步验证模型在大规模路网场景下的适应性与可解释性,对济南十二交叉口的邻接矩阵进行了可视化与数值分析,如图5所示。图5展示了3种邻接关系表现形式。

(1)静态邻接矩阵A[图5(a)所示的拓扑固定]。由十二个交叉口及其相连道路构造,仅能反映物理层面的连通性,难以揭示不同连接在交通流预测中的相对重要性。

(2)学习得到的稀疏矩阵A_hat-clean[图5(b)所示稀疏结构图]。在更复杂的路网中,稀疏化处理使矩阵保留了关键的局部与跨交叉口依赖关系,抑制了冗余边的干扰,进一步提升了可解释性和结构清晰度。

(3)学习得到的稀疏矩阵(含数值)A_hat-values[图5(c)所示的带权重图]。对角线元素集中在0.522,与杭州实验结果一致,说明模型在多交叉口场景中同样强调道路自信息的重要性;相邻道路之间的权重约为0.2,略低于单交叉口场景,表明在更复杂的网络中,单一邻接边的影响有所分散,但整体依赖模式仍符合交通流传播规律;远距离或不相关的边权值趋近于0,验证了模型对长程依赖的选择性捕捉能力。

总体来看,静态矩阵A只能刻画路网的几何结构,而自适应矩阵能同时反映连接强度、节点自依赖与潜在长程依赖;通过稀疏化处理后的A_hat-clean,模型在大规模复杂路网下仍能保持良好的可解释性。这表明所提方法不仅适用于小规模交叉口场景,也能在更复杂的城市路网中展现稳健的建模能力。

通过对杭州单交叉口与济南十二交叉口的邻接矩阵分析可以发现,所提出的AGA-GRU模型在不同规模和复杂度的路网中均表现出一致的建模特征与解释力,具体如下。

(1)在节点自依赖方面,无论是杭州还是济南,对角线元素均稳定在0.517~0.522,表明模型始终重视道路自身历史信息在预测中的主导作用。

(2)在相邻道路依赖方面,杭州单交叉口场景的权重为0.241,济南多交叉口场景的权重约为0.2。虽然数值略有下降,但整体仍然保持在较高水平,说明模型能够在更复杂的路网中合理分配邻接边的影响力,避免过度依赖单一邻居。

(3)在长程依赖方面,两地结果均表现出对远距离或无关边的有效抑制,权重趋近于0,体现了模型的选择性关注机制。

总体而言,杭州与济南的实验结果验证了模型的鲁棒性与泛化能力:在小规模交叉口场景下,模型能够精准刻画局部依赖;在大规模路网中,模型依然保持稳定的权重分布和清晰的依赖结构,能够自动适应不同交通环境的特性。这表明AGA-GRU 模型不仅具备良好的预测性能,也具备可解释性优势,能够为复杂城市交通系统的建模与调控提供可靠支撑。

3.3 消融实验

为验证每个关键模块的作用,包含以下消融配置并在同一数据口径下比较(以30 min MAE、RMSE、MAPE为主):①AGA-GRU(full):完整模型(自适应邻接+GAT +GRU+L1正则);②w/o自适应图:邻接使用静态 AA 或单位矩阵(仅自环);③w/o注意力(用 GCN 替代 GAT);④w/o L1稀疏正则:λ_sparse=0;⑤Top-K变化:Top-K在{1,3,5,10,12,15}上的性能比较。

为评估所提出AGA-GRU模型中关键组件的贡献,在杭州单交叉口数据集上进行消融研究,重点关注30 min交通流量预测。通过移除或修改特定模块来评估变体:自适应图、GAT、L1稀疏正则化,以及不同Top-K稀疏水平(1、3、5、10、12、15)。性能使用测试集上的MAE、RMSE和MAPE来衡量。结果如表3所示。

完整AGA-GRU模型在MAE(2.508 8)和RMSE (4.056 2)上取得了最低值,展示了相对于消融变体的优越绝对预测精度。移除自适应图(w/o 自适应图)导致MAE增加12.1%,RMSE增加1.3%,这强调了动态学习的邻接矩阵在捕捉交叉口道路间演化空间依赖的重要性。类似地,消融注意力机制(w/o注意力机制)在所有指标上产生了最高误差(MAE为2.862 6、RMSE为4.115 7、MAPE为105.36%),相对于完整模型MAE下降了14.1%。这突出了GAT层在建模异质节点交互中的关键作用,单纯的GRU时间编码器无法充分替代。

省略L1稀疏正则化(w/o L1稀疏正则化)略微增加了MAE和RMSE(分别增加2.4%和0.8%),但边缘改善了MAPE(100.70%),表明虽然正则化促进了可解释的稀疏图,但其缺失可能允许更稠密的连接,在低流量场景中对相对误差有利。然而,完整模型在稀疏性和性能之间的平衡表明了其鲁棒性。

改变Top-K稀疏水平揭示了每节点保留3条边的最优性(如完整模型),偏差会导致性能下降。Top-K=1(过于稀疏)使MAE增加3.9%,RMSE增加0.6%,可能由于丢失了必需的道路间关系。相反,更高的值(Top-K=5和10)引入无关边的噪声,分别使MAE提升15.3%和16.9%,并产生了最高的MAPE(108.91%和106.97%)。这支持了适度稀疏在提升模型可解释性而不牺牲性能方面的有效性。

总体而言,消融结果证实了自适应图、注意力机制和稀疏正则化在AGA-GRU中的协同贡献,特别是针对单交叉口交通预测,其中空间依赖局部但动态。变体中较高的MAPE(超过100%)可能源于数据集中的低基线流量值,放大相对误差,未来工作可引入自适应损失函数来缓解此问题。

为了评估所提出AGA-GRU模型中关键组件的贡献,在济南十二交叉口数据集上进行消融研究,重点关注30 min交通流量预测。通过移除或修改特定模块来评估变体:自适应图、GAT、L1稀疏正则化,以及不同Top-K稀疏水平(1、3、5、12、15)。完整模型(AGA-GRU (full))采用Top-K=10配置,以平衡稀疏性和性能。性能使用测试集上的MAE、RMSE和MAPE来衡量,结果如表3所示。

完整AGA-GRU模型(Top-K=10)在MAE(0.497 5)和RMSE(1.148 0)上取得了优异表现,MAPE为22.41%,展示了在多交叉口场景下的高精度预测能力。移除自适应图(w/o自适应图)导致MAE增加17.6%,RMSE增加2.0%,表明动态邻接矩阵在捕捉复杂路网演化依赖中的重要性,而静态图无法充分替代。类似地,消融注意力机制(w/o 注意力机制)使MAE上升8.5%,但RMSE略微改善0.9%,这表明GAT层在建模节点间交互时有益,但在其缺失时,GRU时间编码器仍能维持较好性能,可能由于路网规模导致注意力机制的冗余。

省略L1稀疏正则化(w/o L1稀疏正则化)略微改善了MAE至0.496 6(相对于完整模型降低0.2%),但RMSE和MAPE略升,表明正则化有助于稀疏图的可解释性,但在高密度路网中,其缺失允许更灵活的连接,提升绝对精度。然而,完整模型的平衡性突出了其在实际应用中的鲁棒性。

改变Top-K稀疏水平揭示了在十二交叉口环境下,Top-K=10的最优性,取得了最低RMSE(1.148 0)和接近最低的MAE。较低的Top-K=1和3导致MAE增加3.1%和8.4%,可能由于丢失关键空间关系。Top-K=5取得了平衡性能(MAE为0.508 9、RMSE为1.153 6),但Top-K=12表现最差(MAE增加64.1%),表明过度保留边引入噪声。Top-K=15进一步改善了MAPE至最低(21.45%),但MAE略高,显示在节点密集场景中,适中稀疏(Top-K=10)是最佳权衡。

总体而言,消融结果证实了模型组件的协同作用:在多交叉口环境下,自适应图和注意力机制显著提升性能,而Top-K=10的配置优化了稀疏性和准确性。该数据集的较低MAPE(21%~23%)反映了更高流量密度的优势。这些发现验证了AGA-GRU在扩展路网预测中的潜力,未来工作可引入动态Top-K自适应,以进一步提升泛化能力。对于对角增强系数γ,只需大于1即可强化自连接。在γ∈[1,5]范围内进行测试,发现模型在2~4表现稳定;γ过小会削弱自连接,过大则会压制空间关系,使模型退化。因此采用γ=3.0作为默认值,能够在稳定性与性能之间取得良好平衡。

4 讨论

从不同角度对提出的 AGA-GRU 模型进行系统评估,具体如下。

(1)不同模型的整体性能对比。在杭州与济南两个真实数据集上,AGA-GRU在MAE与RMSE 指标上均取得最优或接近最优的结果,表现出较强的稳定性和泛化性。Bi-LSTM在单一场景下的短期预测具有一定优势,但在复杂网络中精度不足;MTGNN能较好建模全局依赖,但在部分时段存在过拟合趋势。相比之下,AGA-GRU在两个城市、不同预测时距下均保持稳健优势,尤其在济南多交叉口大规模场景中提升更为显著。杭州部分MAPE偏高主要由样本中低流量值(分母)导致的相对误差放大效应所致(流量量级小,绝对误差稍有波动即造成较高百分比误差,同时MAPE仅对非零接地真值的样本进行计算)。因此在低流量场景下,单独使用MAPE作为唯一评价标准可能有偏差,结合 MAE/RMSE 解释模型实际效能。AGA-GRU 将自适应邻接(捕捉空间依赖的动态变化)与带注意力的时空融合(GAT+GRU)结合,既保留了节点自身历史信息的重要性(对角线权重较高),又能按重要性选择邻居传播信息,从而在单交叉口的局部依赖与多交叉口的复杂长程依赖之间取得较好平衡。在济南这种高到达率、多节点密集的路网中,模型更易从丰富的数据中学习稳定的空间模式,因此AGA-GRU的相对提升更明显;而在杭州单交叉口,模型需更精细地捕捉局部时序模式,Top-K的选择和稀疏正则显得尤为关键。

(2)邻接矩阵对比与可解释性分析。自适应学习得到的邻接矩阵在数值与结构上均展现出合理性:对角线权重显著高于其他元素,反映了节点自回归的重要性;近邻节点的权重明显高于远程节点,符合交通流的实际传播规律。通过L1稀疏化与Top-K选择,模型能够自动筛选出关键依赖关系,从而在保证预测精度的同时提升了模型的可解释性。

(3)消融实验总结。消融实验进一步验证了模型设计要素的重要性。去除自适应图会显著恶化性能,说明动态邻接学习对跨场景泛化至关重要;去除注意力机制同样导致误差上升,证明GAT在捕捉异质交通依赖方面的有效性;L1稀疏正则虽对误差影响有限,但能增强邻接矩阵的稀疏性与可解释性;不同Top-K的比较显示适度稀疏化最优,过稀或过密都会导致性能下降。

综上可知,AGA-GRU 在整体预测精度、跨场景鲁棒性及可解释性方面均优于主流基线模型,其设计的自适应邻接与注意力机制在提升性能方面发挥了关键作用。

5 结论

围绕城市交通流预测问题,提出AGA-GRU。该模型通过引入自适应邻接矩阵学习与注意力机制,有效捕捉了道路网络中复杂的时空依赖关系。在杭州与济南真实交通数据集上的实验结果表明,AGA-GRU在预测精度和稳定性方面均优于传统时序模型(如Bi-LSTM)和典型图神经网络预测模型(如MTGNN)。进一步的邻接矩阵可视化分析验证了模型在结构学习上的可解释性,能够突出主干道路及关键交通联系。消融实验结果也表明,自适应邻接、注意力机制与稀疏正则化等模块对整体性能提升均有显著贡献。得出如下主要结论。

(1)自适应图建模:提出以可学习参数构建邻接矩阵,通过 softplus、归一化与Top-K稀疏化机制获得动态邻接关系,克服了传统方法对预定义路网拓扑的依赖,并通过L1正则化提升了图结构的可解释性与鲁棒性。

(2)图注意力机制增强空间特征学习:引入GAT,实现对邻居节点影响的差异化建模,有效抑制噪声边的干扰,突出关键节点的关联。

(3)时序依赖建模与融合:在时间维度采用 GRU 捕获动态变化趋势,并与图注意力特征级联,实现对时空依赖的高效联合建模。

(4)综合实验验证:在杭州与济南数据集上的实验结果表明,AGA-GRU在MAE、RMSE、MAPE等多项指标上整体优于传统统计模型(ARIMA)和深度学习方法(Bi-LSTM、GNN-LSTM、ST-GCN、MTGNN),同时消融实验进一步验证了自适应图与注意力机制的重要作用。

综上所述,本文模型能够在保证预测精度的同时,学习到稀疏、可解释且鲁棒的图结构,为复杂交通网络的时空预测提供了一种有效的解决方案。

尽管本次研究取得了一定成果,但仍存在局限:实验数据覆盖有限,MAPE对低流量样本敏感,且模型尚未在实际控制任务中闭环验证。未来,随着城市智能化进程加快和传感器部署密度的提升,交通数据规模与复杂性将持续增长。如何在保证预测精度的同时,实现模型的轻量化与可扩展性,将成为智能交通预测的重要研究方向。所提出的AGA-GRU模型为自适应图建模与注意力机制的结合提供了有效的探索,后续研究可在以下方面拓展:图神经网络与强化学习结合,用于动态信号灯调度与交通流控制;引入鲁棒损失与动态Top-K策略以提升低流量与动态场景的表现;扩展至更多城市与复杂交通场景(事故、天气、施工);结合外生因素(如气象、信号配时),构建端到端的预测控制一体化框架;探索在线学习与边缘部署,实现实时预测与智能信号优化。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	肖建力, 邱雪, 张扬, 等. 交通大模型综述[J]. 交通运输工程学报, 2025, 25(1): 8-28.

[2]	Xiao Jianli, Qiu Xue, Zhang Yang, et al. Review on transportation large models[J]. Journal of Traffic and Transportation Engineering, 2025, 25(1): 8-28.

[3]	Zhao L, Song Y, Zhang C, et al. T-GCN: a temporal graph convolutional network for traffic prediction[J]. IEEE transactions on intelligent transportation systems, 2019, 21(9): 3848-3858.

[4]	Smith B L, Williams B M, Oswald R K. Comparison of parametric and nonparametric models for traffic flow forecasting[J]. Transportation Research Part C: Emerging Technologies, 2002, 10(4): 303-321.

[5]	Tian X, Wu S, Xing X, et al. Traffic flow prediction based on improved deep extreme learning machine[J]. Scientific Reports, 2025, 15(1): 7421.

[6]	Chen Y T, Liu A, Li C, et al. Traffic flow prediction based on spatial-temporal multi factor fusion graph convolutional networks[J]. Scientific Reports, 2025, 15(1): 12612.

[7]	Hussain B, Afzal M K, Ahmad S, et al. Intelligent traffic flow prediction using optimized GRU model[J]. IEEEAccess, 2021, 9: 100736-100746.

[8]	Ma X, Tao Z, Wang Y, et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C: Emerging Technologies, 2015, 54: 187-197.

[9]	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.

[10]	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.

[11]	宋瑞蓉, 王斌君, 仝鑫, 等. 融合多维时空特征的交通流量预测模型[J]. 科学技术与工程, 2021, 21(31): 13439-13446.

[12]	Song Ruirong, Wang Binjun, Tong Xin, et al. Traffic flow prediction model integrating multi-dimensional spatio-temporal features[J]. Science Technology and Engineering, 2021, 21(31), 13439-13446.

[13]	姚俊峰, 何瑞, 史童童, 等. 基于机器学习的交通流预测方法综述[J]. 交通运输工程学报, 2023, 23(3): 44-67.

[14]	Yao Junfeng, He Rui, Shi Tongtong, et al. Review on traffic flow prediction methods based on machine learning[J]. Journal of Tra-ffic and Transportation Engineering, 2023, 23(3): 44-67.

[15]	Bao Y, Huang J, Shen Q, et al. Spatial-temporal complex graph convolution network for traffic flow prediction[J]. Engineering Applications of Artificial Intelligence, 2023, 121: 106044.

[16]	户佐安, 邓锦程, 韩金丽, 等. 图神经网络在交通预测中的应用综述[J]. 交通运输工程学报, 2023, 23(5): 39-61.

[17]	Hu Zuoan, Deng Jincheng, Han Jinli, et al. Review on application of graph neural network in traffic prediction[J]. Journal of Traffic and Transportation Engineering, 2023, 23(5): 39-61.

[18]	Concas A, Fenu C, Reichel L, et al. Chained structure of directed graphs with applications to social and transportation networks[J]. Applied Network Science, 2022, 7: 64.

[19]	Ghalmane Z, Daoud B. Graph-based learning for multimodal route recommendation[C]// 10th International Conference on Internet of Things, Big Data and Security. Porto: Institute for Systems and Technologies of Information, Control and Communication, 2025: 313-320.

[20]	Rahmani S, Baghbani A, Bouguila N, et al. Graph neural networks for intelligent transportation systems: a survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(8): 8846-8885.

[21]	Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks: a deep learning framework for traffic forecasting[J]. arXiv Preprint, arXiv: 1709.04875, 2017.

[22]	Li Y, Yu R, Shahabi C, et al. Diffusion convolutional recurrent neural network: data-driven traffic forecasting[J]. arXiv Preprint, arXiv: 1707.01926, 2017.

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

[24]	Wu Z, Pan S, Long G, et al. Connecting the dots: multivariate time series forecasting with graph neural networks[C]// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2020: 753-763.

[25]	贾兴利, 曲远海, 朱浩然, 等. 交通预测中的时空图神经网络研究综述: 从模型解构到发展路径[J]. 交通运输工程学报, 2026, 26 (1): 46-74.

[26]	Jia Xingli, Qu Yuanhai, Zhu Haoran, et al. Review on spatio-temporal graph neural networks in traffic prediction: from model deconstruction to development path[J]. Journal of Traffic and Transportation Engineering, 2026, 26 (1): 46-74.

[27]	蒋挺, 杨柳, 刘亚林, 等. 基于分解动态时空分解框架预测交通流量[J]. 科学技术与工程, 2025, 25(7): 3007-3017.

[28]	Jiang Ting, Yang Liu, Liu Yalin, et al. Traffic flow prediction based on decomposed dynamic spatio-temporal decomposition framework[J]. Science Technology and Engineering, 2025, 25(7): 3007-3017.

[29]	Xu Y, Cai X, Wang E, et al. Dynamic traffic correlations based spatio-temporal graph convolutional network for urban traffic prediction[J]. Information Sciences, 2023, 621: 580-595.

[30]	Wu Z, Pan S, Long G, et al. Graph WaveNet for deep spatial-temporal graph modeling[J]. arXiv Preprint, arXiv: 1906.00121, 2019.

[31]	Bai L, Yao L, Li C, et al. Adaptive graph convolutional recurrent network for traffic forecasting[J]. Advances in Neural Information Processing Systems, 2020, 33: 17804-17815.

[32]	Song C, Lin Y, Guo S, et al. Spatial-temporal synchronous graph convolutional networks: a new framework for spatial-temporal network data forecasting[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Philadelphia: AAAI, 2020: 914-921.

[33]	Zhang G, Chen J. Non-negative matrix factorization via adaptive sparse graph regularization[J]. Multimedia Tools and Applications, 2021, 80(8): 12507-12524.

[34]	Chen M, Wang Y, Chen Y, et al. Adaptive graph representation for clustering[J]. IEEE Access, 2022, 10: 122981-122994.

[35]	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.

[36]	Chen J, Zheng L, Hu Y, et al. Traffic flow matrix-based graph neural network with attention mechanism for traffic flow prediction[J]. Information Fusion, 2024, 104: 102146.

[37]	Zheng C, Fan X, Wang C, et al. GMAN: a graph multi-attention network for traffic prediction[C]// Proceedings of the AAAI conference on artificial intelligence. Philadelphia: AAAI, 2020: 1234-1241.

[38]	Huo Y, Zhang H, Tian Y, et al. A spatiotemporal graph neural network with graph adaptive and attention mechanisms for traffic flow prediction[J]. Electronics, 2024, 13(1): 212.

[39]	Al Hamadani R A J, Mosleh M, Al-Sallami A H A, et al. Improvement of network traffic prediction in beyond 5G network using sparse decomposition and BiLSTM neural network[J]. Qubahan Academic Journal, 2025, 5(2): 156-176.

[40]	Wang X, Wu Y, Zhuang D, et al. Low-rank Hankel tensor completion for traffic speed estimation[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(5): 4862-4871.

[41]	Wei H, Zheng G, Gayah V, et al. A survey on traffic signal control methods[J]. arXiv Preprint, arXiv: 1904.08117, 2019.

[42]	Wei H, Xu N, Zhang H, et al. Colight: learning network-level cooperation for traffic signal control[C]// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. New York: ACM, 2019: 1913-1922.

[43]	Zheng G, Xiong Y, Zang X, et al. Learning phase competition for traffic signal control[C]// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. New York: ACM, 2019: 1963-1972.

基金资助

国家自然科学基金(52462050)

云南省科技厅科技计划项目-基础研究计划(202501AS070051)

PDF (10141KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-20	2026-08-28	2026-01-19
Online Date
2026-09-04

摘要

Abstract

Graphical abstract

关键词

Key words

中图分类号

引用本文

1 问题描述与建模

1.1 问题定义

1.2 模型概述

1.3 方法

1.3.1 自适应邻接矩阵学习

1.3.2 多头图注意力(GAT)与结构掩码

1.3.3 GAT-GRU的时序耦合

1.3.4 目标函数与稀疏正则

2 实验设计

2.1 实验数据集与预处理

2.1.1 数据来源与总体说明

2.1.2 路网映射

2.1.3 事件抽取与聚合口径

2.1.4 时间离散化与计数矩阵构建

2.1.5 序列构造与数据切分

2.1.6 标准化与复原

2.2 评价指标

2.3 对比模型

2.4 选择模型参数与训练细节

2.4.1 全局训练协议

2.4.2 基线模型超参数

3 结果与分析

3.1 不同模型的整体性能对比

3.2 邻接矩阵对比与可解释性分析

3.2.1 杭州单交叉口

3.2.2 济南十二交叉口

3.3 消融实验

4 讨论

5 结论

参考文献

基金资助