摘要

交通预测对于公共安全和资源优化至关重要，但由于交通数据具有显著的时间动态变化性以及复杂的动态空间相关性，因此预测任务极具挑战性。为捕捉这些复杂的依赖关系，现有研究广泛采用时空神经网络，如结合图卷积网络的循环神经网络、融合时间卷积网络的图卷积网络，以及结合全图注意力机制的时间注意力网络等。然而，以往的时空网络大多基于端到端训练，难以应对非平稳交通时间序列中的分布漂移问题。此外，现有方法在高效且有效地建模空间相关性方面仍存在不足。本文并非提出另一种端到端模型，而是致力于构建一种新颖的解耦融合框架——STWave，以缓解分布漂移问题。该框架首先将复杂的交通数据分解为稳定趋势与波动事件两个部分，随后通过双通道时空网络分别对趋势和事件进行建模，最终通过趋势与事件的融合实现对未来交通状态的合理预测。此外，本文引入一种新型查询采样策略，并结合基于图小波的图位置编码机制，嵌入全图注意力网络中，以高效且精准地建模动态空间相关性。在六个真实交通数据集上的大量实验表明，所提出的方法在保持较低计算成本的同时，显著提升了预测精度，展现出优越的性能。