结合自相关注意力动态卷积的交通预测网络.pdfVIP

小型微型计算机系统2024年6月第6期

DOI:10.20009/j.cnki.21-1106/TP.2022-0711

JournalofChineseComputerSystemsVol.45No.62024

结合自相关注意力动态卷积的交通预测网络

王思超，汤颖

（浙江工业大学计算机科学与技术学院、软件学院，杭州310023）

E-mail:ytang@zjut.edu.cn

摘要：交通流量预测作为智能交通系统(ITS)的重要任务之一,受到极大关注，其常被建模为时空序列预测问题，准确把握交

通数据的时间-空间相关性成为了解决此问题的关键，现有的工作往往采用循环神经网络以捕获时间依赖性，采用图卷积网络

以捕获空间依赖性，两者尚未有机的结合且捕获时空依赖的能力有限，导致预测精度不佳，本文提出了用于交通预测的基于自

相关注意力和动态卷积的时空网络（AADCSN)，设计采用类Transformer架构，结合自相关注意力与动态学习图卷积有效捕获

交通数据的时间特征与空间特征，并引入数据蒸馏技术和多种嵌入表示有效提升预测性能.论文选用4个真实数据集和9个先

进的基线方法进行比较，实验结果表明，本文提出的模型在几乎所有对比指标上都优于基线模型.

关键词：交通流量预测；Transformer；自相关注意力机制；动态图卷积网络

中图分类号：TP183文献标识码：A文章编号：1000-1220(2024)06-1418-08

Auto-correlationAttentionandDynamicsConvolutionBasedSpatial-temporalNetworksfor

TrafficForecasting

WANGSichao,TANGYing

(CollegeofComputerScienceandTechnology,CollegeofSoftware,ZhejiangUniversityofTechnology,Hangzhou310023,China)

Abstract:Trafficflowprediction,asoneoftheimportanttasksofintelligenttransportationsystems(ITS),hasreceivedgreatattention.

Theproblemoftrafficflowpredictionisusuallymodeledasaspatio-temporalsequencepredictionproblemandaccuratelycapturing

thespatio-temporaldependenceoftrafficdatahasbecomethekeytosolvingthisproblem.Existingworksoftenuserecurrentneural

networkstocapturethetime-dependenceandgraphconvolutionalnetworkstocapturespatial-dependence.However,theabovetwonet-

workshavenotbeeneffectivelycombinedandhavelimitedabilitytocapturespatio-temporaldependence.Inthispaper,weproposean

Auto-CorrelationAttentionandDynamicsConvolutionbasedSpatial-TemporalNetworks(AADCSN)fortrafficflowprediction,which

isdesignedwithaTransformer-likearchitecture.Thecombinationofauto-correlationatten