摘要

时空预测在许多应用领域中发挥着重要作用，尤其是在交通领域。然而，由于道路网络中复杂的时空依赖关系和高度非线性动态特性，交通预测任务仍然具有挑战性。现有的研究要么表现出高昂的训练成本，要么无法准确捕捉时空模式，并且忽略了具有相似模式的远距离道路之间的相关性。本文提出了一种新颖的深度学习框架以克服这些问题：三维时间图卷积网络（3D-TGCN）。我们模型引入了两个创新组件。（1）不同于基于空间信息构建道路图的方法，我们通过比较每条道路上时间序列的相似性来学习图结构，从而提供了一个无需空间信息的框架。（2）我们提出了一种原创的三维图卷积模型，以更准确地建模时空数据。实证结果表明，3D-TGCN 能够超越现有的最先进基线模型。