摘要
我们的日常生活深受交通状况的影响，因此准确预测道路网络中的交通流量显得尤为重要。用于交通预测的交通信号通常由道路上的传感器生成，这些传感器可被建模为图结构中的节点。这些传感器一般产生两类信号：正常信号，代表常规交通流；异常信号，反映未知的交通扰动。图卷积网络因其能够捕捉网络节点间的相关性，被广泛应用于交通预测任务中。然而，现有方法通常采用预定义或自适应的邻接矩阵，难以真实反映信号之间的实际关系。为解决这一问题，本文提出一种分解式动态图卷积循环网络（Decomposition Dynamic Graph Convolutional Recurrent Network, DDGCRN）用于交通预测。DDGCRN将动态图卷积循环网络与基于循环神经网络（RNN）的模型相结合，利用时变交通信号动态生成图结构，从而有效提取交通数据中的空间与时间特征。此外，DDGCRN通过数据驱动的方法将异常信号与正常交通信号分离，并分别建模，进一步提升了预测精度。基于六个真实世界数据集的实验结果表明，DDGCRN在性能上显著优于当前最先进的方法。代码已开源，获取地址为：https://github.com/wengwenchao123/DDGCRN。