摘要

交通预测在智能交通系统（ITS）中具有重要意义。由于交通行为本身具有高度复杂性，且交通数据具有非欧几里得特性，实现精准的交通预测面临巨大挑战。尽管以往研究已关注不同节点之间的关联关系，但大多数方法仍依赖于静态表征，难以捕捉节点间随时间动态演变的交互关系。此外，先前的研究多采用基于循环神经网络（RNN）的模型来建模时间依赖性。虽然RNN在预测任务中广受青睐，但其通常具有较高的内存消耗，且训练速度较慢。近年来，部分研究开始引入相似性算法，以更有效地刻画节点之间的内在关联。然而，据我们所知，目前尚无研究系统探讨节点间动态交互对交通预测的贡献。