DADiffNet:一种具有自适应子图的延迟感知扩散网络,用于大规模交通预测

《Neural Networks》:DADiffNet: Delay-Aware Diffusion Networks with Adaptive Subgraphs for Large Scale Traffic Forecasting

【字体: 大 中 小 】 时间:2026年03月01日 来源:Neural Networks 6.3

编辑推荐:

  基于增量交通流量建模和自适应子图采样策略,DADiffNet有效捕捉上游触发与下游延迟扩散,在八大数据集上MAE等指标提升8.04%-8.40%,并降低计算复杂度。

  
范玉杰|陈静|徐文强|彭伟民
杭州电子科技大学计算机科学与技术学院,中国杭州,310018

摘要

快速的城市扩张和不断增长的交通需求使得准确的交通预测变得越来越重要。然而,仅依赖于绝对流量值的方法往往无法明确捕捉到上游引发的扰动及其在下游的延迟传播。为了解决这个问题,我们提出了延迟感知扩散网络(DADiffNet),该网络从两个互补的角度重新定义了时空耦合:交通流量增量和自适应子图结构。DADiffNet利用时间差异来模拟高频扰动,从而能够明确学习触发-响应关系和节点间传播延迟。同时,一种自适应的局部子图采样策略能够以接近线性的计算复杂度高效地编码大规模拓扑结构。在八个真实世界数据集上的实验表明,DADiffNet的表现始终优于十五个强大的基线模型,分别在MAE、RMSE和MAPE上实现了8.04%、7.65%和8.40%的平均提升。此外,DADiffNet还减少了内存消耗,在准确性、效率和可解释性之间提供了更好的平衡,适用于大规模交通预测。

引言

快速的城市化和车辆拥有量的持续增加使得交通流量预测成为智能交通系统中的一个关键组成部分(Boukerche等人,2020年;Musa等人,2023年)。准确的交通预测对包括城市规划、交通信号控制、动态路线引导和拥堵收费在内的各种应用都有显著影响,最终提高了道路安全和出行体验(Khan和Ivan,2023年)。
近年来,深度学习方法,特别是时空图神经网络(Jin等人,2023年),在这一领域取得了显著进展(Rahmani等人,2023年)。图卷积有效地捕捉了传感器之间的拓扑依赖性,而循环网络和自注意力机制则模拟了时间依赖性。利用这些技术的代表性模型包括基于ARIMA的Chen和Lai(2011年)统计基线模型、长短期记忆网络及其变体、集成拓扑信息的MTGNN(Gao等人,2022年)以及采用多维自注意力机制的STAEformer(Liu等人,2023年)和DTRformer(Chen等人,2025b年)。尽管取得了显著的成功,但在大规模实际应用场景中仍存在两个根本性挑战。
交通变化在节点间的传播延迟难以明确建模。现实世界的交通模式显示出明显的上游触发和下游延迟响应(Mao等人,2025年;Zhang等人,2024年;Zhu等人,2025年)。如图1所示,上游节点的突然交通增加通常会在几分钟后影响到下游节点。主流的时空图神经网络通常基于静态拓扑或数值相似性建立邻接关系,并直接使用节点处的原始交通值作为输入(Gao等人,2023年;Wang,2023年)。这种方法未能充分表示触发-响应关系及其传播延迟。此外,仅依赖交通相似性会忽略那些数值差异显著但趋势一致的门节点对,从而限制了模型捕捉交通变化趋势的能力。
在交通预测中,一个节点的状态不仅受其直接相邻节点的影响,还受整个网络更广泛结构背景的影响。尽管图卷积可以有效地表示拓扑依赖性,但其计算和存储复杂度会随着节点数量的增加而呈二次方增长(Buterez等人,2025年)。对于节点数为N、卷积层数为L的网络,单层计算成本从O(LN2)增加到O(TLN2),其中T是模拟的扩散步数。在许多情况下,GNN中的扩散过程会对那些交通相关性微不足道或不存在的节点对进行冗余计算,这在大型数据集(如LargeST)上经常导致内存溢出错误。去除图卷积以降低计算成本会显著削弱对拓扑结构的建模能力。因此,在保持拓扑表达能力的同时抑制计算和存储开销,仍然是大规模交通预测中的一个关键瓶颈。
为了解决这些挑战,本文提出了一种轻量级且高效的模型DADiffNet,它改进了子图选择和增量交通传播延迟的建模,从而为非常大的网络提供准确且可解释的预测结果。我们的主要贡献如下:
(i) 提出了一种基于交通增量的延迟感知建模方法,将建模重点从绝对交通量转移到增量变化上。该方法通过混合卷积-注意力模块明确学习了节点间的延迟交互,增强了交通趋势的表示能力。
(ii) 引入了一种考虑拓扑结构的子图机制,采用了一种可学习的局部子图采样策略。该策略在每一层动态选择最具信息量的邻域,显著降低了计算复杂度,而不依赖于传统的扩散假设。
(iii) 在八个不同规模的真实世界数据集上进行了广泛的实验,充分证明了该模型的有效性。结果突显了所提出组件对预测性能的显著影响。
本文的其余部分结构如下:第2节回顾了相关工作。第3节提供了问题定义和DADiffNet架构的详细信息。第4节报告了实验设置和结果,第5节以讨论结束。

相关工作

早期交通预测方法主要依赖于传统的统计模型和经典的机器学习技术(Ma等人,2020年)。诸如ARIMA和VAR之类的模型通过统计假设捕捉时间依赖性。随后,包括支持向量机和K最近邻在内的数据驱动方法出现,以解决非线性问题。然而,这些传统方法在模拟复杂的时空关系时面临显著的限制(

问题定义

给定一个由图表示的有向加权交通网络G=(V,E,A),其中|V|=N表示传感器或道路段节点的数量,E表示边集,A∈RN×N是归一化的邻接矩阵。时间步长t的交通特征由Xt∈RN×C表示,其中C包括观测到的特征,如交通流量、速度和占用率。任务是学习一个映射函数:fΘ:RN×C×Tin→RN×C×Tout方程1旨在预测交通状态{Xt+1,?,Xt+Tout}

实验

本节介绍了在八个交通数据集上进行的实验,以评估所提出的DADiffNet的性能。首先描述了使用的数据集、基线方法和实验设置。随后,对DADiffNet和基线方法进行了全面比较。最后,通过消融研究探讨了各种组件和训练策略的贡献。所有模型都在NVIDIA RTX A6000 GPU上实现。代码可在以下链接获取:(//github.com/STLabHdu/DADiffnet

结论

受交通流量扩散动态的启发,本文介绍了一种轻量级的图神经网络DADiffNet,它明确地模拟了延迟传播,并解决了大规模网络的可扩展性问题。通过关注增量交通流量而非绝对值,该模型有效地捕捉了上游触发与下游反应之间的延迟响应模式。
此外,所提出的局部子图采样技术能够高效地重建关键信息

CRediT作者贡献声明

范玉杰:撰写——原始草稿、可视化、验证、方法论、形式分析、数据整理、概念化。陈静:撰写——原始草稿、方法论、资金获取、概念化。徐文强:撰写——审稿与编辑、可视化、验证。彭伟民:撰写——审稿与编辑、可视化、验证。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了中国国家自然科学基金(项目编号2024YFB3310803和62572160)和浙江省科技计划项目(项目编号2025C01065和2023C01147)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号