异构图序列神经网络用于动态交通分配

交通分配和交通流预测为城市规划、交通管理以及智能交通系统的发展提供关键见解。高效的计算整个交通网络中交通流的模型能够提供更详细和更真实的交通动态理解。然而，现有的交通预测方法，如利用图神经网络的技术，通常仅限于传感器部署的位置，无法预测传感器位置之外的交通流。为缓解这一限制，灵感来源于链路流量与起点-终点（OD）旅行需求之间根本关系，我们提出了异构时空图序列网络（HSTGSN）。HSTGSN 利用即使是长程的起点和终点节点之间的依赖关系，并学习不同 OD 需求下隐式的车辆路线选择。该模型基于一个异构图，包含道路链路、OD 链路（连接起点和终点的虚拟链路）以及捕获 OD 需求与流量分布之间时空关系的时空图编码器-解码器。我们将展示如何通过图解码器的节点嵌入来预测流量分布的时间变化，从而恢复 OD 需求中不完整的信息。通过在具有完整/不完整 OD 需求的真实网络上的大量实验研究，我们证明该方法不仅能够捕捉链路交通流量与 OD 需求之间隐式的时空关系，还能实现准确的预测性能和泛化能力。