DKGCM：融合空间节点聚类方法与傅里叶双向Mamba机制的交通流时空预测模型

准确的交通需求预测使交通管理部门能够更有效地分配资源，从而提高资源利用效率。然而，交通系统中复杂的时空关系仍限制了需求预测模型的性能。为提高时空交通需求预测的准确度，本文提出了一种新的图卷积网络结构 DKGCM。具体而言，我们首先考虑不同交通节点之间的空间流分布，提出了一种基于时间相似性的聚类图卷积方法 DK-GCN。该方法利用动态时间变形 (DTW) 和 K 均值聚类对交通节点进行分组，从而更有效地捕获空间依赖关系。在时间尺度上，我们将快速傅里叶变换 (FFT) 集成到双向 Mamba 深度学习框架中，以捕获交通需求中的时间依赖关系。为进一步优化模型训练，我们采用 GRPO 强化学习策略来增强损失函数的反馈机制。广泛的实验表明，我们的模型在三个公开数据集上优于Several advanced methods，取得了强烈的结果。