摘要

道路网络中的交通预测由于交通系统的复杂性而极具挑战性，同时也是智能交通系统成功应用的关键任务。现有方法大多依赖图结构的先验知识来捕捉静态的空间依赖关系。然而，空间依赖关系可能具有动态特性，且物理道路结构未必能真实反映道路之间的实际关联。为更有效地捕捉复杂的时空依赖关系并预测道路网络中的交通状况，本文提出一种多步预测模型——时空注意力Wavenet（Spatial-Temporal Attention Wavenet, STAWnet）。该模型采用时间卷积处理长时序序列，并利用自注意力网络捕捉不同节点间的动态空间依赖关系。与现有模型不同，STAWnet无需依赖图结构的先验知识，而是通过自学习节点嵌入（self-learned node embedding）实现对空间关系的自动建模。上述组件被整合进一个端到端的框架中。在三个公开交通预测数据集（METR-LA、PEMS-BAY 和 PEMS07）上的实验结果表明，该方法具有显著有效性。特别是在未来1小时的预测任务中，STAWnet在不依赖网络先验知识的情况下，性能优于当前最先进的方法。