基于模式-空间交互与区域感知的图卷积网络用于交通预测
机器学习
2025-09-03 v1
摘要
交通预测对于城市交通管理、智能路线规划和实时流量监控具有重要意义。最近在空间-时间模型方面的进展显著提高了对复杂空间-时间相关性的建模。然而，大多数以前的研究在有效建模来自各种感知视角之间的空间-时间相关性方面存在挑战，忽略了交通模式与空间相关性之间的交互式融合。此外，受限于空间异质性，大多数研究未能在消息传递过程中考虑不同区域的异质性。为克服这些限制，我们提出了一种 Pattern-Spatial Interactive and Regional Awareness Graph Convolutional Network (PSIRAGCN) 用于交通预测。具体而言，我们提出了由 pattern 和 spatial 模块组成的 pattern-spatial 交互融合框架。该框架旨在通过从全局到局部水平的感知视角捕捉模式和空间相关性，并促进正反馈中的相互利用。在空间模块中，我们设计了一个基于消息传递的图卷积网络。该网络旨在利用区域特征库来实现数据驱动的区域感知消息传递。重构的消息传递可揭示交通网络中节点之间的区域异质性。在三个真实世界交通数据集上的广泛实验表明，PSIRAGCN 在保持计算成本的同时优于 State-of-the-art baseline。
引用
@article{arxiv.2509.00515,
title = {Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting},
author = {Xinyu Ji and Chengcheng Yan and Jibiao Yuan and Fiefie Zhao},
journal= {arXiv preprint arXiv:2509.00515},
year = {2025}
}