由于道路网络时变的交通模式和复杂的空间依赖性，交通流预测是一个具有挑战性的时空预测问题。为了克服该挑战，作者将交通网络看为一张图，并提出一个新的深度学习预测模型，交通图卷积长短时记忆网络（TGC-LSTM）学习交通网络中道路之间的相互作用，并预测网络级的交通状态。作者基于物理网络拓扑定义了交通图卷积，并讨论了与谱图卷积的关系。图卷积权值的L1范数和图卷积特征的L2范数被加到模型的损失函数中增强模型的可解释性。实验结果表明提出的模型在两个真实世界数据集的表现要优于其他先进模型。图卷积权重的可视化表明提出的框架可以识别交通网络中影响力较大的路段。
交通流预测是智能交通系统（ITS）中最具挑战性的任务之一。由于近年来交通数据的数量和种类不断增加，数据驱动的交通预测方法已经显示出相当大的前景，其能力优于传统的和基于模拟的方法。现有的预测方法大致分为两类，一类是经典的统计模型，这类模型在处理高维时间序列数据方面具有一定的缺陷；第二类则是机器学习模型，如支持向量机（SVR）等，这类模型在捕捉客流空间特性上具有一定缺陷。近年来，随着深度学习的飞速发展，基于深度学习的交通预测模型逐渐引起学者们的关注。例如，循环神经网络(RNN)以及其变体LSTM和GRU以及卷积神经网络（CNN）等，均展现出解决交通流预测问题的良好潜力。考虑到交通网络本质上具有显著的物理拓扑特征，部分学者采用图卷积神经网络捕捉复杂的空间特性。然而，这类图卷积模型的缺陷之一是卷积算子的感受野不受交通网络图的限制。事实上，交通网络中相距较远的两个节点的交通状态在短时间内不应相互影响，且邻接的节点是否相互影响也需要进一步研究。因此，作者提出一个基于实际交通中自由流速度的