注意力动态图卷积网络

训练快47%

无需预定义图结构，动态捕捉交通路网时空依赖，轻量化设计适合部署在资源受限设备上。

Chenhui, Wei · 陈传明 · Xiang, Wu · Dongmei, Pan · 俞庆英 · 郑孝遥 · Luo, Yonglong

Engineering Applications of Artificial Intelligence 2026

参数信息

训练时间减少

47 %

数据集数量

6

技术优势

训练快47%

轻量化门控循环单元参数更少，训练时间降低19%–47%，适合在资源受限设备上部署，支持实时交通应用。

无需预定义图结构

动态图生成方法利用输入特征和节点嵌入，通过归一化和非线性变换，实时捕捉变化的交通路网空间依赖。

预测精度领先

增强注意力机制强化通道间特征依赖，使模型关注任务关键特征，在六个真实数据集上超越多数现有模型。

应用场景

• 智能交通系统：为城市交通管理和应急响应提供实时准确的流量预测，无需预定义图结构。
• 资源受限设备部署：轻量化设计降低参数和训练时间，适合在边缘设备上部署进行实时预测。
• 交通流量预测：动态图生成方法自适应捕捉变化的时空依赖，提升预测精度。