原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
研究论文第51卷第4期/2025年4月/计算机工程
一种高效的连续时序图注意力网络的交通预测模型
刘云翔，梁智超
（上海应用技术大学计算机科学与信息工程学院，上海201418）
摘要：交通预测领域面临传统时空建模方法难以有效捕获长程依赖关系、固定时间窗口机制无法适应动态时
序模式以及基于统计学的传统模型在复杂拓扑关系建模方面存在局限性3个主要挑战。针对上述问题，提出基
于连续时序的高效图注意力网络（T-EGAT)。首先设计高效多头自注意力机制（EMSA)，采用参数共享和稀疏计
算策略，将注意力头的计算复杂度从O(N)降低到O(NlogaN)；其次开发线性时序扩展模块，通过可学习的时序
卷积核将时间感知范围从固定K步扩展到K十△步的弹性窗口,其中△E［O,12]为自适应调整参数；最后构建动
态图推理架构，利用图神经网络(GNNs)的邻域聚合特性，在每个时间步自动生成包含83个交通要素的拓扑关系
矩阵。实验结果表明，在PeMSD4、METR-LA等5个基准数据集上，T-EGAT相较16种基线模型（包括
DCRNN、GraphWaveNet、ASTGCN等)取得显著提升，平均绝对误差(MAE)降低了2.77%～5.97%，均方根误差
(RMSE)改善了3.12%～6.44%,单步预测时间缩短了1.41%～2.3%。消融实验结果表明，EMSA带来42%的
精度提升，时序扩展模块减少了17%的长时预测误差，动态图生成机制提高了29%的拓扑建模准确率。该模型
在突发交通事故场景下表现出更强的鲁棒性，异常事件检测F1值达到0.873,较传统方法提升了21.5%。该方
案为实时交通管理系统提供了新的技术框架，其弹性时序建模机制和高效注意力架构为时空预测任务提供了普
适性解决方案。
关键词：智能交通；交通预测模型；图神经网络；交通流；多头自注意力机制；人工智能决策
中图分类号：TP391文献标志码：ADOI:10.19678/j.issn.1000-3428.0069059
AHighlyEfficientTrafficPredictionModelfor
ContinuousTime-seriesGraphAttentionNetworks
LIUYunxiang,LIANGZhichao
(SchoolofComputerScienceandInformationEngineering,Shanghaiinstituteoftechnology,Shanghai201418,China)
[Abstract)Trafficpredictionfacesthreeprimarychallenges:traditionalspatiotemporalmodelingmethodsstruggleto
capturelong-rangedependencieseffectively,fixedtime-windowmechanismscannotadapttodynamictemporal
patterns,andconventionalstatistical-basedmodelsexhibitlimitationsinmodelingcomplextopologicalrelationships.
Toaddresstheseissues,thisstudyproposesaTemporal-enhancedEfficientGraphAttentionNetwork(T-EGT).
First,anEfficientMulti-headSelf-Attention(EMSA)mechanismisdesigned,employingparametersharingand
sparsecomputationstrategiestoreducethecomputationalco
文档评论（0）