摘要
时空预测在众多应用领域中引起了广泛关注，交通流预测是其中最具代表性与典型性的任务之一。交通流具有复杂的长程时空相关性，这使其成为一项极具挑战性的研究课题。现有方法通常采用浅层图卷积网络（GNN）和时间特征提取模块，分别建模空间与时间依赖关系。然而，这类模型的表征能力受限于两个关键问题：（1）浅层GNN难以捕捉长距离的空间相关性；（2）仅考虑物理拓扑连接，忽略了大量具有重要语义意义的连接关系，而这些语义关联对于全面理解交通网络至关重要。针对上述问题，本文提出一种新型模型——时空图常微分方程网络（Spatial-Temporal Graph Ordinary Differential Equation Networks, STGODE）。具体而言，我们通过基于张量的常微分方程（ODE）建模时空动态演化过程，从而支持构建更深的网络结构，并实现时空特征的同步融合与高效利用。为进一步提升对交通网络的语义理解，模型引入语义邻接矩阵，以显式建模非物理连接的语义关系；同时，设计了一种精心构造的时间膨胀卷积结构，以有效捕捉长期时间依赖性。我们在多个真实世界交通数据集上对所提模型进行了评估，实验结果表明，STGODE在预测精度上显著优于当前主流的先进基线方法，验证了其在复杂交通流建模中的优越性能与泛化能力。