摘要

在交通流量预测领域，图卷积网络（Graph Convolutional Networks, GCNs）通过将交通流建模为时空图，取得了显著的性能提升。然而，现有的基于GCN的方法通常人为地将图结构定义为道路网络的物理拓扑，忽略了图结构与交通数据之间潜在的依赖关系，且所定义的图结构为确定性形式，未能考虑其不确定性。针对上述问题，本文提出一种贝叶斯时空图卷积网络（Bayesian Spatio-Temporal Graph Convolutional Network, BSTGCN）用于交通预测。所提出的网络能够端到端地从道路网络的物理拓扑与交通数据中联合学习图结构，从而揭示交通流之间更准确的关系表征。此外，本文设计了一种参数化生成模型来表示图结构，有效提升了GCN的泛化能力。我们在两个真实世界的数据集上验证了所提方法的有效性，实验结果表明，BSTGCN在性能上优于当前最先进的方法。