摘要

利用图卷积网络（Graph Convolution Networks, GCNs）构建时空网络，已成为预测交通信号的最主流方法之一。然而，在采用GCN进行交通速度预测时，传统方法通常假设传感器之间的关系构成一个同质图，并基于传感器积累的数据学习邻接矩阵。然而，传感器间的空间相关性并非单一固定，而是可从多种视角进行差异化定义。为此，本文旨在研究交通信号数据中固有的异质性特征，以多种方式挖掘传感器之间的隐含关系。具体而言，我们提出一种方法，将传感器间的空间关系划分为静态与动态两个模块，分别构建异质图。在此基础上，提出一种基于网络解耦注意力机制的异质感知图卷积网络（Heterogeneity-Aware Graph Convolution Network, HAGCN），该方法在聚合邻接节点隐状态时，充分考虑异质图中各通道的重要性。在真实交通数据集上的实验结果表明，所提方法有效提升了预测性能，相较于现有模型实现了6.35%的性能提升，达到了当前最先进的预测水平。