计算机工程与科学

作者：张悦, 张磊, 刘佰龙, 梁志贞, 张雪飞

单位：（1.中国矿业大学矿山数字化教育部工程研究中心，江苏 徐州 221116；2.中国矿业大学计算机科学与技术学院，江苏 徐州 221116；3.江苏恒旺数字科技有限责任公司，江苏 苏州 215000）

关键词：交通数据预测, 时空依赖, 时空Transformer, 图神经网络,

基金：中国矿业大学建设双一流专项资金（2018ZZCX14）

准确的交通预测对提高智能交通系统的效率至关重要。交通系统的空间依赖不仅体现在道路的相连关系上，更重要的是由道路属性、区域功能等因素形成的隐藏空间依赖。另外，交通数据之间的时间依赖具有严格的相对位置关系，忽略这一问题将难以实现准确的交通预测。为了解决这些问题，提出了一种基于时空Transformer的多空间尺度交通预测模型（MSS-STT）。MSS-STT使用多个特定的Transformer网络对不同的空间尺度建模，以捕捉隐藏空间依赖，同时使用图卷积网络来学习静态空间特征。接着，使用门控机制将不同空间尺度的空间依赖与静态空间特征根据各自对预测的重要性进行融合。最后，根据时间序列中不同相对位置对预测的不同贡献来提取不同的时间依赖关系。在PeMS数据集上的实验结果表明，MSS-STT优于最先进的基线。

来源：2024年第10期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第10期