摘要
基于图结构的交通流量预测是一项具有挑战性的任务，原因在于道路网络通常具有复杂的拓扑结构，且待分析的数据包含多变的时间特征。此外，空间特征提取的质量高度依赖于图结构中边权重的设定。在交通领域，当前图结构的权重多基于道路之间的距离等几何因素计算，然而这类方法未能充分考虑道路本身的属性特征以及不同交通流之间的相关性。现有方法通常更关注局部空间依赖性的建模，而忽略了全局空间依赖关系的挖掘。另一个关键难题在于：如何在图结构深度受限的情况下，有效提取充分的信息。为应对上述挑战，本文提出一种随机图扩散注意力网络（Random Graph Diffusion Attention Network, RGDAN），用于交通流量预测。RGDAN由图扩散注意力模块与时间注意力模块组成。其中，图扩散注意力模块能够通过数据驱动的方式自适应调整权重，类似于卷积神经网络（CNN）的学习机制，从而捕捉更符合实际的时空依赖关系；时间注意力模块则用于建模时间维度上的动态相关性。在三个大规模公开数据集上的实验结果表明，RGDAN相较于当前最先进的方法，预测精度提升了2%至5%，展现出显著的性能优势。