摘要
交通流量预测是机器学习领域中最受关注的时空任务之一。当前该领域的主流方法通常将图卷积网络（Graph Convolutional Networks）与循环神经网络（Recurrent Neural Networks）相结合，以实现高效的时空建模。近年来，该方向竞争激烈，涌现出大量创新方法。本文提出一种新型方法——时空图神经控制微分方程（Spatio-Temporal Graph Neural Controlled Differential Equation, STG-NCDE）。神经控制微分方程（Neural Controlled Differential Equations, NCDEs）是处理序列数据的一项突破性概念。我们在此基础上进行拓展，分别设计了用于时间建模和空间建模的两种NCDE结构，随后将其整合为统一的框架。我们在6个基准数据集上进行了实验，并与20种基线方法进行对比。实验结果表明，STG-NCDE在所有测试场景中均取得了最优性能，显著优于所有对比方法，提升幅度具有统计显著性。