摘要
长期交通预测因其交通系统的复杂性以及诸多影响因素的动态变化而极具挑战性。本文聚焦于时空因素，提出了一种图多注意力网络（Graph Multi-Attention Network, GMAN），用于在道路网络图的不同位置上，预测未来多个时间步的交通状态。GMAN采用编码器-解码器架构，其中编码器和解码器均由多个时空注意力模块构成，以建模时空因素对交通状态的影响。编码器负责对输入的交通特征进行编码，解码器则用于预测输出序列。在编码器与解码器之间，引入了一个变换注意力层，用于将编码后的交通特征转换为未来时间步的序列表示，作为解码器的输入。该变换注意力机制能够捕捉历史时间步与未来时间步之间的直接关联，有助于缓解预测过程中各时间步间的误差传播问题。在两个真实世界交通预测任务（即交通流量预测与交通速度预测）上的实验结果表明，GMAN具有显著优势。特别是在未来1小时的预测任务中，GMAN在平均绝对误差（MAE）指标上相较现有最先进方法最高提升了4%。代码已开源，获取地址为：https://github.com/zhengchuanpan/GMAN。