时空元图学习用于交通预测

交通预测作为多变量时间序列预测中的经典任务，一直是人工智能领域的重要研究课题。为应对交通流中蕴含的时空异质性与非平稳性，本文提出了一种新颖的时空元图学习（Spatio-Temporal Meta-Graph Learning）机制，用于时空数据的图结构学习。具体而言，我们将该思想融入元图卷积循环网络（Meta-Graph Convolutional Recurrent Network, MegaCRN），通过在GCRN编码器-解码器架构中引入基于元节点库（Meta-Node Bank）驱动的元图学习器（Meta-Graph Learner），实现对复杂交通网络结构的动态建模。我们在两个基准数据集（即METR-LA和PEMS-BAY）以及一个新构建的大规模交通速度数据集EXPY-TKY上进行了全面评估。EXPY-TKY数据集覆盖了东京1843条高速公路路段，具有较高的现实应用价值。实验结果表明，所提模型在三个数据集上均显著优于现有最先进方法。此外，通过一系列定性分析，我们验证了该模型能够有效解耦具有不同模式的路段与时间片段，并在各类异常交通场景下展现出稳健的适应能力。相关代码与数据集已开源，详见：https://github.com/deepkashiwa20/MegaCRN。