STGC-GNNs：一种基于 GNN 的具有时空格兰杰因果图交通预测框架

交通预测的关键在于准确刻画交通流在路网中运行的时序动态，因此建模路网的空间依赖十分重要。空间依赖的本质是准确描述交通信息传输如何受路网中其他节点的影响，而基于 GNN 的交通预测模型作为交通预测的基准，凭借以消息传递机制传输交通信息来建模空间依赖的能力，已成为最常用的方法。然而，现有方法建模的是局部且静态的空间依赖，无法传输长期预测所需的全局动态交通信息（GDTi）。其挑战在于，由于个体出行的不确定性，尤其是长期传输中，难以检测 GDTi 的精确传输。本文提出一个新假设：GDTi 在宏观上表现为交通流底层的一种传输因果关系（TCR），该关系在动态变化的交通流下保持稳定。我们进一步提出时空格兰杰因果（STGC）来表达 TCR，从而建模全局且动态的空间依赖。为建模全局传输，我们通过时空对齐算法对 TCR 全局传输的因果序与因果滞后进行建模；为捕捉动态空间依赖，我们通过格兰杰因果检验来逼近动态交通流下稳定的 TCR。在三个骨干模型上的实验结果表明，使用 STGC 建模空间依赖在 45 分钟和 1 小时长期预测上优于原模型。