摘要
精准的交通流量预测对于城市交通的引导与管理至关重要。然而，现有的大多数交通预测模型在捕捉交通数据中的时空依赖关系时，往往忽视了计算开销与内存占用问题。针对这一挑战，本文提出一种分解型时空张量图卷积网络（Factorized Spatial-Temporal Tensor Graph Convolutional Network），用于交通速度预测。该方法将交通网络统一建模为一个同时融合空间与时间信息的图结构，进一步将图卷积操作拓展至张量空间，提出一种张量图卷积网络，以从时空图数据中提取更具判别性的特征。为降低计算负担，本文引入Tucker张量分解，推导出一种分解型张量卷积机制，该机制在小规模的空间、时间与特征模式下分别执行滤波操作，显著提升了计算效率。此外，在张量分解过程中舍弃冗余成分，还能有效抑制交通数据中的噪声。在两个真实世界交通速度数据集上的大量实验表明，所提方法不仅显著优于传统交通预测方法，且达到了当前最先进的性能水平。