摘要

交通流预测是智能交通管理系统的核心基础。当前方法普遍致力于构建复杂的模型以捕捉时空相关性，但往往忽视了对交通流中潜在特征的挖掘。首先，不同道路节点之间的关联具有动态变化特性，而非静态不变；其次，交通数据表现出显著的周期性特征，然而现有研究尚未充分探索和利用此类周期性信息；最后，现有模型通常仅依赖历史数据进行建模，难以准确捕捉交通流未来趋势的动态变化。针对上述问题，本文提出一种周期性动态图到序列模型（Periodic Dynamic Graph to Sequence Model, PDG2Seq），用于提升交通流预测的准确性。PDG2Seq由周期特征选择模块（Periodic Feature Selection Module, PFSM）和周期性动态图卷积门控循环单元（Periodic Dynamic Graph Convolutional Gated Recurrent Unit, PDCGRU）构成，旨在进一步提取实时交通流中的时空特征。其中，PFSM通过以时间点为索引的方式，自动学习并提取周期性特征；PDCGRU则融合PFSM提取的周期性特征与交通流中的动态特征，构建周期性动态图，以实现对时空特征的高效提取。在解码阶段，PDG2Seq利用与预测目标相对应的周期性特征，捕捉未来交通流的趋势变化，从而提升预测精度。在四个大规模真实数据集上的全面实验结果表明，PDG2Seq在各项指标上均显著优于现有先进基线方法。相关代码已开源，地址为：https://github.com/wengwenchao123/PDG2Seq。