摘要
交通流预测是交通运输领域研究人员与实践者面临的关键问题。然而，由于交通流通常表现出高度非线性及复杂动态特征，该问题极具挑战性。现有大多数交通流预测方法难以有效建模交通数据中的动态时空相关性，因而难以获得理想的预测效果。为此，本文提出一种新型基于注意力机制的时空图卷积网络（Attention-based Spatial-Temporal Graph Convolutional Network, ASTGCN），以解决交通流预测问题。ASTGCN模型主要由三个相互独立的组件构成，分别用于建模交通流的三种时间特性：近期依赖、日周期性依赖和周周期性依赖。具体而言，每个组件包含两个核心部分：1）时空注意力机制，用于有效捕捉交通数据中的动态时空相关性；2）时空卷积模块，通过图卷积捕捉空间模式，同时结合标准卷积操作描述时间特征。最终，将三个组件的输出进行加权融合，生成最终的预测结果。在来自加州交通部性能测量系统（Caltrans Performance Measurement System, PeMS）的两个真实世界数据集上的实验结果表明，所提出的ASTGCN模型在预测性能上显著优于现有最先进方法。