基于正则化自适应图卷积的大规模道路网络高效交通预测
机器学习
2026-05-01 v3 人工智能
摘要
交通预测是空间时间序列预测中的关键任务，具有广泛的旅行规划和城市管理应用。为了建模交通数据中的复杂空间时间依赖性，已广泛采用空间时间图卷积网络（STGCN），取得优异的性能。然而，针对大规模道路网络，传统图卷积运算的二次计算复杂度严重限制了其可扩展性。已有多种方法通过近似、压缩或空间分区来解决此问题，但这些方法往往要么未能实现足够的计算效率，要么损害了预测精度。为此，我们提出了正则化自适应图卷积（RAGC）模型。首先，为确保大规模道路网络的可扩展性，我们开发了高效余弦算子（ECO），其基于节点嵌入的余弦相似度进行图卷积，具有线性时间复杂度。其次，我们引入正则化自适应图卷积框架，通过残差差异机制将随机共享嵌入（SSE）与自适应图卷积相结合。这种设计使模型能够学习高质量的节点嵌入，从而在保持计算效率的同时提高预测精度。在四个大规模真实交通数据集上进行的广泛实验表明，RAGC 在预测精度和计算效率方面均优于最先进的方法。代码已公开：https://github.com/wkq-wukaiqi/RAGC。
引用
@article{arxiv.2506.07179,
title = {Efficient Traffic Forecasting on Large-Scale Road Network by Regularized Adaptive Graph Convolution},
author = {Kaiqi Wu and Weiyang Kong and Sen Zhang and Zitong Chen and Yubao Liu},
journal= {arXiv preprint arXiv:2506.07179},
year = {2026}
}
备注
Accepted by ICDE 2026