融合趋势分解与自适应图扩散注意力网络的交通流预测OA

交通预测在城市交通管理和流量监测中至关重要,但交通流中复杂的时空关系给准确预测带来了巨大的挑战.时空图神经网络和注意力机制已成为解决交通道路中依赖关系的有效方法,然而,大多数基于图神经网络的模型依赖预定义的静态邻接矩阵来建模空间依赖性,且空间特征的提取依赖于固定图结构中的权重.其次,现有的注意力机制忽略了交通流数据的特性,难以捕捉节点之间的相似的交通模式.针对上述问题,提出TD⁃ADGAT模型,使用自适应图扩散注意力网络对空间关系进行建模,无需显式计算预定义图结构的权重,能自适应生成可训练的邻接矩阵权重,以显著降低时间复杂度.此外,针对交通流时间序列数据的特点,重新设计时间维度的注意力机制,将交通流数据分解为趋势性和季节性因素,利用多层感知机捕获趋势性变化和采用傅里叶注意力机制建模季节性变化,更好地建模交通流的时间关系和节点间的交通模式.最后,在三个公共数据集上的实验结果证明TD⁃ADGAT模型优于其他基准模型.