PGCN：用于时空交通预测的进步式图卷积网络

交通网络中复杂的时空相关性使得交通预测问题极具挑战。由于交通系统天然具有图结构，许多研究致力于图神经网络。近来，构建对数据自适应的图相较于依赖单一静态图结构的模型已展现出良好前景。然而，图自适应仅在训练阶段进行，并未反映测试阶段所用数据。此类缺陷在交通预测中尤为棘手，因为交通数据常遭遇时间序列中的意外变化与不规则性。本研究提出一种称为进步式图卷积网络（PGCN）的新型交通预测框架。PGCN 通过在训练与测试阶段逐步自适应在线输入数据来构建一组图。具体而言，我们实现该模型通过学图节点间的趋势相似性来构建渐进邻接矩阵。随后，模型与膨胀因果卷积及门控激活单元结合以提取时间特征。借助残差与跳跃连接，PGCN 执行交通预测。当应用于七个具有不同几何特性的真实交通数据集时，所提模型在所有数据集上均取得一致的最先进（SOTA）性能。我们得出结论：PGCN 逐步自适应输入数据的能力使模型能在不同研究点具备鲁棒地泛化。