摘要
交通预测是智能交通系统的核心组成部分。精准的交通流量预测对于智慧城市建设中的智能交通管理与城市规划等应用至关重要。尽管已有多种时空建模方法被提出，但这些方法普遍忽略了道路网络中各位置之间相关性的动态特性。同时，大多数基于循环神经网络（Recurrent Neural Network, RNN）的方法由于其循环运算机制，计算效率较低。此外，现有研究在相同数据集上对不同方法进行公平比较的基准尚属严重缺失。为应对上述挑战，本文提出一种新型交通预测框架——动态图卷积循环网络（Dynamic Graph Convolutional Recurrent Network, DGCRN）。在DGCRN中，设计了超网络（hyper-networks）以利用并提取节点属性中的动态特征，同时在每个时间步动态生成滤波器参数。通过对节点嵌入进行滤波处理，构建动态图结构，并将其与预先定义的静态图进行融合。据我们所知，DGCRN是首个在每个时间步采用生成式方法建模动态图精细拓扑结构的方法。为进一步提升模型效率与性能，本文还提出一种训练策略：在前向与反向传播过程中限制解码器的迭代次数。此外，本文构建了一个可复现、标准化的基准测试平台，并发布了一个全新的代表性交通数据集，以支持公平比较与后续研究。在三个真实数据集上的大量实验表明，所提出的DGCRN模型在各项指标上均持续优于15个基线方法，展现出卓越的预测性能与泛化能力。