基于多视角融合的交通需求预测神经网络

空间-时间特征提取是交通研究中的关键课题，当前研究通常采用统一的时序建模机制和固定的空间图。然而，固定的空间图限制了对类似但非直接相连节点之间空间特征的提取，统一的时序建模机制则忽略了不同节点时序变化的异质性。为此，本文提出一种多视角融合神经网络（Multi-View Fusion Neural Network, MVFN）方法。具体而言，采用图卷积网络（Graph Convolutional Network, GCN）提取空间局部特征，利用余弦重加权线性注意力机制（Cosine Re-weighting Linear Attention, CLA）提取空间全局特征。将GCN与CLA组合创建图-余弦模块（Graph-Cosine Module, GCM）以提取整体空间特征。此外，多通道可分离时序卷积网络（Multi-Channel Separable Temporal Convolutional Network, MSTCN）采用多通道时序卷积网络（Multi-Channel Temporal Convolutional Network, MTCN）在每一层提取统一时序特征，同时采用可分离时序卷积网络（Separable Temporal Convolutional Network, STCN）提取独立时序特征。最后，将空间-时序特征数据输入预测层以获得最终结果。该模型在两个交通需求数据集上验证，实现了最佳预测精度。