基于动态图注意力与多尺度特征融合的交通流时空相关性模型

《Alexandria Engineering Journal》：A spatiotemporal correlation model for traffic flow based on dynamic graph attention and multi-scale feature fusion

　　

随着城市化进程加速，传统交通管理面临严峻挑战，现有模型难以充分捕捉交通流的时空非线性特征。针对该问题，研究人员提出了一种多尺度特征融合图卷积神经网络(Multi-Scale Feature Fusion Graph Convolutional Neural Network, MSFGCN)，整合了多尺度特征融合、局部随机特征增强、动态图注意力及自适应辅助模块。该模型通过最大互信息系数矩阵与自适应矩阵挖掘提取细粒度空间信息，并结合全局空间注意力、时间注意力与周期信息嵌入有效捕获时空相关性。此外，采用动态时空嵌入的交互感知注意力网络、耦合协同网络预测与动态随机图注意力模块，同时优化融合邻接矩阵。实验结果表明，MSFGCN实现了最低预测误差(PeMSD3: MAE 8.08, RMSE 11.52, MAPE 12.86%；PeMSD7: MAE 8.87, RMSE 12.86, MAPE 14.24%)，优于所有基线模型，且在工作日高峰时段表现出较低的计算复杂度、泛化性与鲁棒性，为高效交通管理与智慧城市建设提供了可靠的理论依据。

论文解读：《基于动态图注意力与多尺度特征融合的交通流时空相关性模型》

该研究发表于《Alexandria Engineering Journal》，聚焦智能交通系统(ITS)中交通流预测的时空相关性建模难题。当前城市路网拓扑复杂，交通流兼具非欧几里得特性与时间序列动态性，现有模型普遍存在三大局限：静态图结构无法适配时变的空间关联、单尺度特征提取难以捕获高阶路网依赖、高峰与异常场景下的鲁棒性与泛化性不足。传统方法如循环神经网络(RNN)缺乏空间建模能力，卷积神经网络(CNN)难以处理不规则路网拓扑，经典时空图模型如STGCN、DCRNN等则受限于动态特征融合与多尺度表达缺陷。为此，研究人员开展面向复杂路网的多尺度动态时空建模研究，提出MSFGCN模型，旨在突破静态图与单尺度特征的瓶颈，为智慧交通管理提供更精准的预测工具。

研究人员采用PeMSD3、PeMSD4、PeMSD7、PeMSD8四个公开交通数据集开展实验，样本覆盖2018年6月至8月的5分钟级传感器数据，包含流量、速度、占有率等多维特征。关键技术方法包括：①多尺度特征融合机制，通过k阶(k=1,2,3)邻居传播提取不同粒度空间特征，经加权通道拼接实现特征融合；②局部随机特征增强策略，在不改变图结构与丢弃有效信息的前提下，向节点特征添加可学习随机向量，结合残差连接与L2归一化抑制过拟合；③动态图注意力模块，融合周、日、小时级时间嵌入与实时交通状态，通过门控机制自适应融合历史与当前动态邻接矩阵；④自适应辅助模块，引入连接全节点的虚拟节点实现全局信息共享，联合主任务（交通流回归）与辅助任务（拥堵状态分类）优化模型性能。

实验结果与分析

数据集与预处理：实验采用PeMSD3(358个传感器)、PeMSD4(307个传感器)、PeMSD7(883个传感器)、PeMSD8(170个传感器)数据集，按7:1:2划分训练/验证/测试集。预处理阶段通过线性插值填补缺失值，基于3σ准则剔除异常值，采用Min-Max缩放将特征归一化至[0,1]区间，并通过自适应矩阵挖掘调整不同规模路网的拓扑结构。

预测性能对比：在PeMSD7数据集的不同时段测试中，MSFGCN的MAE、RMSE、MAPE均显著低于TCN、FC-LSTM、ASTGCN、GMAN、DSTAGNN等9种基线模型。其中工作日高峰时段的MAPE优势尤为突出，验证了其对非线性、随机性交通模式的适应能力。跨数据集平均结果显示，PeMSD3上MAE达8.08、RMSE 11.52、MAPE 12.86%；PeMSD7上MAE 8.87、RMSE 12.86、MAPE 14.24%，均为最优水平。

长步长预测表现：随预测步长从1增至12，所有模型的误差均呈上升趋势，但MSFGCN的误差增长率最缓。在PeMSD8数据集12步预测中，其MAPE较次优模型降低约30%，证明交互感知注意力机制可有效缓解长期预测的精度衰减。

消融实验：移除动态图注意力(DGA)模块导致MAE上升15.1%，为各模块中影响最大；移除多尺度特征融合(MSF)、自适应辅助模块(AAM)、局部随机特征增强(RFE)分别导致MAE上升12.3%、9.2%、8.7%，证实各组件均对性能提升有关键贡献。

计算复杂度：MSFGCN参数量仅1.28M，单批次推理时间0.32秒，训练耗时6.5小时，内存占用1.28GB，均优于ASTGCN、GMAN等对比模型，兼具高精度与低复杂度优势。

鲁棒性与可解释性：在突发拥堵、事故等异常场景下，MSFGCN的MAPE为16.3%，显著低于DSTAGNN(22.7%)与ASTGCN(25.1%)。空间注意力权重可视化显示，模型可自动聚焦主干道、瓶颈路段等关键节点；动态邻接矩阵随时间演化规律与真实交通流传播特征一致，提升了模型决策透明度。

结论与展望

研究人员得出结论：MSFGCN通过动态图注意力与多尺度特征融合的协同设计，有效解决了静态图结构与时变交通特征的适配矛盾，在精度、效率、鲁棒性上均满足大规模路网实时预测需求。未来工作将整合天气、事件等细粒度外部因子，开发轻量化动态图结构，并进一步优化可解释性机制，以支撑更复杂的智慧城市交通管理场景。