摘要
时空网络数据预测在交通管理与城市规划等众多应用中具有重要意义。然而，其内在复杂的时空相关性以及异质性使得该问题极具挑战性。现有方法通常采用独立组件分别捕捉空间与时间相关性，却忽略了时空数据中的异质特性。本文提出一种新型模型——时空同步图卷积网络（Spatial-Temporal Synchronous Graph Convolutional Networks, STSGCN），用于时空网络数据预测。该模型通过精心设计的时空同步建模机制，能够有效捕捉复杂的局部时空相关性；同时，在模型中引入针对不同时间周期的多模块结构，以有效建模局部时空图中的异质性。在四个真实世界数据集上开展的大量实验表明，所提方法达到了当前最优的性能，并持续优于各类基线方法。