摘 要 交通问题不仅影响人们的出行，同时也会带来环境污染以及安全等问题，准确的交通流预测是构建智能交通系统、预防和缓解交通问题的关键.目前的预测方法大多没有考虑到交通流动态的时空相关性、周期性以及线性与非线性等特点.在充分考虑上述因素的基础上，提出一种基于信息增强传输的时空图神经网络模型，主要包含多特征注意力模块、信息增强传输模块、时间注意力模块以及线性与非线性融合模块.其中，多特征注意力模块捕获多种交通特征之间的内在联系，考虑交通流的周期性；信息增强传输模块充分利用了交通网络信息，以增强交通网络的信息传输能力，进而挖掘出复杂动态的空间依赖关系；时间注意力模块负责自适应地提取不同时间间隔之间的依赖关系；线性与非线性融合模块则同时考虑了数据的线性与非线性特征.论文在真实数据集上进行了大量对比实验，实验结果表明，对比目前较为先进的基线方法，提出的方法在交通流的预测性能方面，体现了较为明显的优势.
关键词 交通流预测；图神经网络；时空；信息增强；注意力
随着经济社会的高速发展，交通问题日益受到人们的关注，与日俱增的汽车带来了日益拥堵的交通.为解决交通问题，越来越多的国家开始重视智能交通系统(intelligent transportation system, ITS)的建设.交通流预测是智能交通系统中不可缺少的部分，交通流是指道路上的车流量，其可以很好地反映道路的状况.如果能提前准确预测交通流，就能有效地避免交通拥堵，方便人们的出行.然而，交通流预测是一个复杂的时空预测问题，空间上，每个节点交通流的变化都不是独立的，其他节点交通流对其也存在着影响，且影响程度是随时间、天气等因素变化的，例如早高峰是上班方向的车辆较多，晚高峰是下班方向的车辆较多，恶劣天气也会影响道路上的