%0 Journal Article
%A 项新建
%A 林贤鑫
%A 陈田冬
%A 刘力
%A 宋雷鹏
%A 袁天顺
%T 基于时空UNet图卷积模型的交通流预测
%D 2025
%R 10.11860/j.issn.1673-0291.20240138
%J 星空电竞app2026最新版学报
%P 84-93
%V 49
%N 4
%X <p>针对交通流预测中复杂且多变的时空动态特征，提出一种基于注意力机制的时空UNet图卷积模型（Attention-based Spatio-Temporal UNet with Graph Convolutional Net，AST-UNet-GCN）来应对长时间的交通流预测.首先，在时间建模上引入UNet的特征金字塔架构用于处理多尺度时间特征，通过编码-解码结构有效捕捉不同时间尺度的特征，为增强对突发事件的适用性，设计基于注意力机制的短期时间特征提取模块，并利用可变形注意力机制构建全局时间特征提取模块以捕捉长期的时间依赖关系；然后，构建一种缩放激励（Squeeze-and-Excitation，SE）特征融合模块，通过提升卷积神经网络的特征表达能力，动态调整不同时间尺度特征的权重，提升多尺度时间信息的融合效果，有效突出关键特征并抑制冗余信息；最后，在空间建模上结合图卷积网络（Graph Convolutional Network，GCN），通过构建交通网络的拓扑图结构以捕捉空间依赖关系，并设计基于sigmoid函数的特征融合机制，深入挖掘时空特征之间复杂的动态关系，实现全面的时空动态建模.研究结果表明：与其他主流模型相比，AST-UNet-GCN模型在短期预测的MAE、RMSE指标上分别降低了8.5%和9.4%，在长期预测上分别降低了10.4%和6.5%.实验结果验证了该模型在交通流量预测中具有较好表现，尤其在即时预测能力和长期趋势预测的稳定性方面表现更佳.</p>
%U https://jdxb.bjtu.edu.cn/CN/10.11860/j.issn.1673-0291.20240138