《Expert Systems with Applications》：Long-Term Spatio-Temporal Graph Attention Network for Traffic Forecasting
編輯推薦：
交通預測對智能交通系統至關重要，然長時序場景下復雜時空依賴難捕捉。本文研究長時序時空圖注意力網絡（LSTGAN），融合卷積層、空間注意力模塊和圖卷積層提取特征，經時序注意力解碼器預測。在 METR-LA 和 PEMS-BAY 數據集上，LSTGAN 性能優于多數基線模型，為交通預測提供新方案。
交通出行是現代城市運行的命脈，早高峰的擁堵、節假日的車流高峰，無不考驗著城市交通的智慧。如何精準預測交通流量，讓通勤更順暢、讓城市運轉更高效，一直是智能交通領域的核心難題。傳統的交通預測模型，如 ARIMA、SVR 等，往往只能捕捉時間序列的線性規律，難以應對交通數據中復雜的時空耦合特性 —— 比如某條道路的擁堵可能不僅與歷史流量相關，還會受周邊路網乃至整個城市交通格局的影響。隨著城市規模擴大和數據采集技術的發展，海量交通數據中隱藏的長時序時空模式亟待挖掘，而現有模型在處理長期依賴和全局空間關聯時力不從心，預測精度在長時場景下顯著下降。
為突破這一瓶頸，研究人員開展了長時序時空圖注意力網絡（Long-Term Spatio-Temporal Graph Attention Network, LSTGAN）的研究。該研究旨在通過整合長周期歷史數據中的時間規律與空間關聯，提升交通流量預測的準確性，尤其是在長期預測場景中的表現。研究成果發表于《Expert Systems with Applications》。
研究團隊構建了 LSTGAN 架構，其核心包括時序編碼器和空間編碼器兩部分。時序編碼器利用卷積層對周、日尺度的長時序數據進行下采樣，捕捉周期性規律（如早晚高峰、周末與工作日差異）；空間編碼器則通過圖卷積層（GCN）和自注意力機制分別提取局部鄰域依賴和全局路網關聯。兩者融合后的數據經時序注意力解碼器生成預測結果。研究采用 METR-LA（洛杉磯 207 個傳感器）和 PEMS-BAY（舊金山灣區 325 個傳感器）數據集，以平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）和均方根誤差（RMSE）為指標，與 STGCN、DCRNN、ASTGCN 等基線模型對比。
關鍵技術方法
- 時序特征提取：通過兩層一維卷積層對周、日數據下采樣，減少數據維度同時保留關鍵信息，捕捉長時周期性。
- 空間特征建模：局部空間依賴通過圖卷積層（ChebConv）聚合鄰域節點信息，全局依賴利用自注意力機制捕獲非相鄰節點關聯。
- 時空融合與預測：融合時空特征后，通過帶位置編碼的自注意力解碼器生成未來小時級預測，引入時間編碼模塊增強時序上下文感知。
研究結果
- 模型性能對比：在 15 分鐘、30 分鐘、60 分鐘預測 horizon 下，LSTGAN 在 METR-LA 和 PEMS-BAY 數據集上多項指標優于傳統模型（如 ARIMA、SVR）和深度學習模型（如 WaveNet、FC-LSTM）。例如，在 PEMS-BAY 的 60 分鐘預測中，LSTGAN 的 MAE 為 1.84，顯著低于 STGCN 的 2.49 和 DCRNN 的 2.07。
- 組件有效性驗證：消融實驗表明，移除注意力機制（LSTGAN w/o AT）或長時序編碼器（如 w/o D&W）會導致性能顯著下降，證實時空依賴融合和長時信息的重要性。
- 融合策略優勢：并行融合策略（同時處理局部與全局特征）較順序融合（如先局部后全局）表現更優，MAE 降低約 3%-5%，說明多尺度特征同步整合的必要性。
結論與意義
LSTGAN 通過顯式建模長時序時空依賴，突破了傳統模型在長期交通預測中的局限。其創新點在于將周 / 日周期的時間特征與局部 - 全局空間特征并行融合，結合注意力機制動態篩選關鍵信息。實驗表明，該模型在長時預測場景中展現出更強的穩定性和準確性，為智能交通系統的實時調控、擁堵預警提供了更可靠的技術支撐。未來研究可進一步探索模型在數據稀疏場景的魯棒性，引入天氣、事件等外部變量，并優化實時計算效率，推動其在復雜城市交通環境中的實際應用。該工作不僅為交通預測領域提供了新的方法論，也為時空數據建模在智慧城市、物流規劃等領域的拓展奠定了基礎。
