摘要
作为智能交通系统（Intelligent Traffic System, ITS）中不可或缺的组成部分，交通预测任务天然面临以下三个关键挑战：首先，交通数据在物理上与道路网络紧密关联，因此应以交通图（traffic graphs）的形式进行建模，而非传统的网格状张量结构；其次，交通数据表现出显著的空间依赖性，这意味着交通图中的节点之间通常存在复杂且动态变化的相互关系；第三，交通数据具有强烈的时间依赖性，这对交通时间序列的建模至关重要。为应对上述挑战，本文提出一种名为结构学习卷积（Structure Learning Convolution, SLC）的新型框架，该框架能够将传统的卷积神经网络（Convolutional Neural Network, CNN）拓展至图结构域，并在预测过程中自动学习交通图的结构信息。在技术实现上，SLC将结构信息显式地融入卷积操作之中。在此框架下，多种非欧几里得空间下的CNN方法可被视为本方法的特例，从而构建出一种灵活的图上学习机制。基于这一技术路线，本文进一步设计了两个SLC模块，分别用于捕捉交通图的全局结构与局部结构，并将其集成构建一个端到端的交通预测网络。此外，在该流程中，伪三维卷积（Pseudo Three-Dimensional Convolution, P3D）网络与SLC相结合，以有效捕获交通数据中的时间依赖关系。在六个真实世界数据集上的大量对比实验表明，所提出的模型在预测性能上显著优于现有最先进方法，验证了其有效性与优越性。