计算机工程

作者：潘理虎, 尹佳莉, 张睿, 谢斌红, 张林梁

单位：1. 太原科技大学计算机科学与技术学院, 山西 太原 0300242. 山西省智慧交通研究院有限公司, 山西 太原 030036

关键词：交通流预测,时空相关性,编码器-解码器,注意力机制,动态图卷积网络

基金：山西省基础研究项目(202203021221145); 山西省研究生联合培养示范基地项目(2022JD11)

交通流预测方法是智能交通系统的重要基础, 但现有方法在准确捕获交通数据的时空相关性上仍有不足。为挖掘道路网络的复杂时空相关性, 提高预测性能, 提出一种考虑全局-局部时空感知的时空图注意力网络模型GL-STAGGN。首先对输入数据进行时空位置嵌入来表征交通流的时空异质性, 以增强时空数据的特征表示, 其次利用全局-局部时间感知的多头自注意力同步挖掘全局与局部空间范围内的时间动态相关性; 然后引入图注意力网络和基于注意力机制的动态图卷积网络分别聚合局部节点特征和动态调整空间相关性强度, 以深度捕捉全局与局部空间相关性的内在关联; 最后采用编码器-解码器架构将时空组件融合以构成GL-STAGGN模型。在现实世界的高速公路交通数据集PEMS04和PEMS08上的实验结果表明, 相比未考虑全局-局部时空关系和忽略空间异质性的先进方法DSTAGNN, GL-STAGGN的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)平均降低了2.8%、2.3%和3.3%, 优于大多数现有基线模型, 可更好地为智能交通系统提供支持。

来源：2026年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第3期