摘要

及时准确的交通预测对于城市交通控制和引导至关重要。由于交通流的高度非线性和复杂性，传统方法无法满足中长期预测任务的需求，且常常忽视空间和时间依赖关系。本文提出了一种新颖的深度学习框架——时空图卷积网络（Spatio-Temporal Graph Convolutional Networks, STGCN），以解决交通领域的时序预测问题。与传统的卷积和递归单元不同，我们将问题建模在图上，并使用完全卷积结构构建模型，这使得模型在参数较少的情况下能够实现更快的训练速度。实验结果表明，我们的模型STGCN通过建模多尺度交通网络有效捕捉了全面的时空相关性，并在各种真实世界交通数据集上持续优于最先进的基线模型。