时空图变换网络

预测误差降幅显著

通过并行训练和时空自注意力机制，该网络在提取动态时空关联上优于现有基线模型，适合处理大规模交通流量数据。

Zhang, Yongnan · Sirui, Peng · Zhou, Yonghua

Applied Soft Computing Journal 2025

参数信息

平均绝对误差（MAE）降幅

8.71–15.54 %

技术优势

误差降幅显著

在两个真实路网数据集上，MAPE 相对最优基线降低 12.31%–21.67%，预测精度明显提升。

可并行训练加速

基于数据集分解机制和自适应梯度下降准则，在云平台上实现并行训练，提高大规模数据处理效率。

应用场景

• 智能交通流量预测：直接接入现有交通管理系统，利用历史数据微调后提供高精度预测。
• 交通调度与管控：为信号配时、路径诱导等调度决策提供更可靠的流量预测依据。
• 城市路网实时预测：利用云平台并行训练，可快速处理大规模路网数据，满足实时预测需求。