华南理工大学学报(自然科学版)

作者：侯越, 尹杰, 张志豪, 卢可可

单位：兰州交通大学 电子与信息工程学院，甘肃 兰州 730070

关键词：交通流预测,栅格数据,时空异质化,膨胀卷积,门控机制

基金：国家自然科学基金项目(62063014);甘肃省自然科学基金项目(22JR5RA365)

针对现有交通流预测研究中存在的未能充分融合复杂时空相关性和时空异质性的问题，该文设计了一种基于栅格数据的交通流预测网络——时空异质化两阶段融合网络（Spatiotemporal Heterogeneous Two-Stage Fusion Neural Network，ST_HTFNN）。该网络使用分阶段、层次化的时空特征提取架构，采用静态和动态特征提取阶段串行的新模式，在静态特征提取阶段引入新颖的类曼巴线性注意力（Mamba-Like Linear Attention，MLLA）块作为静态异质化融合单元，实现空间上的相关性和异质性融合挖掘，在动态特征提取阶段设计了简单高效的动态异质化融合单元，通过膨胀卷积和门控机制的结合来自适应融合捕捉全局和局部的时空相关性和异质性。同时，针对细致到道路级的交通流特征，设计了道路特征增强模块来重建和增强道路信息，以解决深度卷积过程中道路特征平滑的问题。最后，设计了外部扰动特征融合模块来融合外部扰动特征对交通流预测结果的影响。在3个现实世界的交通数据集BikeNYC、TaxiCQ和TaxiBJ上进行的模型实验表明，ST_HTFNN模型展现出了超越现有基线模型的卓越性能，相应的预测精度平均绝对误差分别降低了6.13%、0.8%和7.01%。

来源：2025年第5期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第5期