让图神经网络重振雄风：一种融合无拓扑模式的城市交通速度预测通用范式

城市交通速度预测旨在估计未来交通速度，以改善城市交通服务。人们付出了巨大努力，利用图神经网络（GNN）来建模由图拓扑结构约束的交通速度演变模式的空间相关性和时间依赖性。虽然取得了令人瞩目的成果，但当前的交通速度预测方法仍然存在忽略无拓扑模式的问题，而这些模式无法被GNN捕获。为应对这一挑战，我们提出了一种通用模型，使现有的基于GNN的方法能够保留无拓扑模式。具体来说，我们首先开发了一种双跨尺度Transformer（DCST）架构，包括一个空间Transformer和一个时间Transformer，分别用于保留跨尺度的无拓扑模式及其相关动态。然后，为了进一步整合拓扑正则化模式和无拓扑模式，我们提出了一种蒸馏式学习框架，其中现有的基于GNN的方法被视为教师模型，而提出的DCST架构被视为学生模型。教师模型将学习到的拓扑正则化模式注入学生模型，以整合无拓扑模式。广泛的实验结果证明了我们方法的有效性。