基于时序分解和注意力图神经网络的交通预测

如何有效挖掘隐藏在交通数据中的时空依赖信息、动态信息和空间异质信息一直是交通预测任务面临的关键问题。本文提出了一种基于时序分解和注意力图神经网络（Time-series decomposition and attention graph neural network， TDAGNN）的交通预测模型。采用双分支时序分解卷积神经网络（Dual time-series decomposition convolutional neural network， DTDCNN）从复杂的交通数据中挖掘时间依赖信息；采用多头交互注意力网络（Multi-head interactive attention， MIA）对原始交通特征和局部增强特征进行交互学习，以深入挖掘交通数据的异质信息和动态信息；引入自缩放动态扩散图神经网络（Self-scaling dynamic diffusion graph neural network， SDDGNN）在获取交通数据空间依赖信息的同时，避免图神经网络的尺度失真问题；将提出的TDAGNN应用于经典交通数据PEMS04、PEMS08、METR-LA和PEMS-BAY的交通预测实验中。实验结果表明，提出模型的平均MAE、RMSE和MAPE比其他经典算法最大可分别提高14.64、23.68和9.41%，从而证明其具有较高的交通预测精度。