STGIN：一种用于长序列交通速度预测的空间时序图 Informer 网络

交通信息长序列的准确预测对智能交通系统的发展至关重要。神经网络分析技术的快速增长可能使我们受益，从而更好地理解交通网络的潜在运行模式。由于交通数据与设施使用状况在时序上依赖于过去与当前情况，若干基于时序依赖提取模型的相关神经网络技术已被开发以解决问题。而复杂的拓扑道路结构放大了空间相互依赖的影响，这是纯时序提取方法无法捕捉的。此外，典型的深度循环神经网络（RNN）拓扑在全局信息提取上存在局限，而全局信息提取是全面长期预测所必需的。本研究提出一种称为空间时序图 Informer（STGIN）的新空间时序神经网络架构，通过融合 Informer 与图注意力网络（GAT）层来提取空间与时序关系，以处理长期交通参数预测问题。注意力机制潜在地保障了长期预测性能，且来自远距离输入的显著信息损失得以避免。在两个具有不同时域的真实世界交通数据集上的实验结果验证了长序列预测能力，并给出了进一步解释。