论文部分内容阅读
城市化的发展使得交通预测在交通规划和城市管理等应用中发挥着重要作用，然而在交通预测任务中，捕获交通数据的高度非线性和复杂的时空依赖关系仍具有很大的挑战性。为了更好地捕获交通数据的时间依赖性和全局空间相关性，以及同时满足长期和短期的预测任务，设计一种用于交通预测的注意力时空图神经网络。首先通过引入注意力机制来调整邻近道路与非邻近道路的重要性，整合全局空间信息。然后再通过图卷积网络和带有扩展因果卷积的门控线性单元来共同捕获时空相关性。在两个真实数据集PeMSD7（M）和PEMS-BAY上的实验结果表明，该网络模型可以较大地提高短期和长期的交通预测精度。