摘要

交通流预测技术在智能交通系统中发挥着重要作用。基于图神经网络与注意力机制，以往大多数方法采用Transformer架构来捕捉时空依赖关系及动态关联。然而，这些方法并未充分考虑时空序列之间的相关性信息。本文基于最大信息系数（Maximal Information Coefficient, MIC），提出两种精细化的时空表征：空间相关性信息（Spatial Correlation, SCorr）与时间相关性信息（Temporal Correlation, TCorr）。利用SCorr，我们构建了一种基于相关性信息的时空网络（CorrSTN），该模型包含一个动态图神经网络模块，用于有效将相关性信息融合至空间结构中，以及一个多头注意力模块，用于精确建模动态时间依赖关系。结合TCorr，我们进一步探索了不同周期性数据之间的相关模式，识别出最具相关性的数据，并据此设计了一种高效的动态数据选择机制，以进一步提升模型性能。在高速公路交通流（PEMS07与PEMS08）及地铁客流（HZME进出站流量）数据集上的实验结果表明，CorrSTN在预测性能上优于当前最先进的方法。特别是在HZME（出站流量）数据集上，相较于ASTGNN模型，本模型在MAE、RMSE和MAPE三项指标上分别实现了12.7%、14.4%和27.4%的显著提升。