摘要

我们每个人都依赖于交通出行，而车辆交通深刻影响着大多数人的日常生活。因此，准确预测道路网络中的交通状态，不仅是一项重要的功能，也是一项极具挑战性的任务。交通数据通常通过部署在道路网络中的传感器获取。近年来，时空图神经网络（spatial-temporal graph neural networks）在建模交通数据中复杂的时空相关性方面取得了显著进展，其核心思想是将交通数据建模为一种扩散过程。然而，从直觉上看，交通数据实际上包含两类不同的隐含时间序列信号：一类是扩散信号，另一类是内在信号。遗憾的是，几乎所有的现有方法都粗略地将交通信号视为扩散过程的单一结果，忽略了内在信号的存在，这在很大程度上制约了模型的性能表现。为提升建模效果，本文提出一种新型的解耦式时空框架（Decoupled Spatial-Temporal Framework, DSTF），该框架通过数据驱动的方式，将扩散信号与内在信号进行有效分离，并引入独特的估计门控机制（estimation gate）与残差分解机制（residual decomposition mechanism）。分离后的两类信号可分别由扩散模块与内在模块独立处理，从而实现更精准的建模。进一步地，我们提出了DSTF的一个具体实现——解耦动态时空图神经网络（Decoupled Dynamic Spatial-Temporal Graph Neural Network, D2STGNN），该模型不仅能够捕捉交通数据中的复杂时空相关性，还引入了动态图学习模块，专门用于建模交通网络的动态演化特性。在四个真实世界交通数据集上的大量实验结果表明，所提出的框架能够显著超越现有技术水平，有效提升交通状态预测的准确性和鲁棒性。