摘要
实时且精确的交通流预测对于智能交通系统的运行效率至关重要。传统方法通常采用基于预定义图结构的图神经网络（Graph Neural Networks, GNNs），以描述城市道路网络中交通节点之间的空间相关性。然而，这些预定义图结构受限于现有知识体系及图生成方法，难以全面刻画实际的时空关联关系。尽管基于数据驱动学习的时变图结构已在一定程度上缓解了上述局限，但仍难以充分捕捉交通数据中固有的空间依赖特性。此外，当前多数方法在建模动态时间相关性时，依赖统一的计算框架——即采用时间多头自注意力机制，这种统一处理方式在某种程度上可能导致建模偏差。为克服上述挑战，本文提出一种新型混合时变图神经网络（Hybrid Time-Varying Graph Neural Network, HTVGNN），用于交通流预测。首先，提出一种基于时变掩码增强的增强型时序感知多头自注意力机制，能够更准确地建模交通网络中不同节点之间的动态时序依赖关系。其次，设计了一种新颖的图学习策略，可同步学习道路网络中各交通节点之间的静态与动态空间关联。同时，为提升时变图的学习能力，进一步引入一种耦合图学习机制，将各时间步所学习得到的图结构进行有效关联与融合。最后，通过四个真实数据集对所提方法HTVGNN的有效性进行了验证。仿真结果表明，HTVGNN在预测精度方面显著优于当前最先进的时空图神经网络模型。此外，消融实验进一步验证了耦合图学习机制在提升HTVGNN长期预测性能方面的有效性。