摘要

由于道路网络的复杂性以及各类道路事件引发的突发速度变化，交通流量预测是一项极具挑战性的问题。已有大量模型被提出以解决该问题，其核心多聚焦于学习道路之间的时空依赖关系。本文提出一种全新的视角：将交通预测问题转化为模式匹配任务，假设大规模交通数据可由一组代表性模式进行表征。为验证该新视角的有效性，我们设计了一种新型交通预测模型——模式匹配记忆网络（Pattern-Matching Memory Networks, PM-MemNet），该模型利用键值记忆结构，学习将输入数据与代表性模式进行匹配。首先，我们从历史数据中提取并聚类出代表性交通模式，作为记忆中的“键”（keys）；随后，通过将输入数据与这些提取出的键进行匹配，PM-MemNet能够从记忆中获取当前交通模式的必要信息，并用于后续预测。为有效建模交通数据的时空相关性，我们进一步提出一种新型记忆架构——图卷积记忆模块（GCMem），该架构融合了注意力机制与图卷积网络，以增强记忆单元的表达能力。实验结果表明，PM-MemNet在预测精度上优于当前最先进的模型（如Graph WaveNet），且具备更强的响应能力。此外，本文还提供了定性分析结果，深入阐述了PM-MemNet在道路速度发生急剧变化时如何通过模式匹配机制实现更精准的预测。