任务：利用动态更新的交通网络图进行短期交通流量预测

《Journal of Data and Information Quality》：DUTNG: Employing Dynamically Updating Traffic Network Graph for Short-term Traffic Flow Prediction

短时交通流量预测中，传统模型难以应对路网拓扑动态变化和时空关联特性。本文提出DUTNG模型，通过参数化动态图学习模块实时建模路网拓扑，集成动态时间抽取网络提取多时间粒度特征，采用堆叠动态空间抽取网络解决区域影响力差异问题，实验在加州路网数据上显示性能提升5.3%-18.7%。

　　

摘要

实际道路网络的复杂拓扑结构以及交通流与时空因素的相互关联性，对传统的节点静态相关模型提出了挑战。为此，提出了DUTNG模型——一种利用动态更新的交通网络图进行短期交通流量预测的模型——以解决这些问题。首先，采用参数化的动态图学习模块对实时道路状况进行建模，增强了短期交通网络的表现能力。随后，将动态时间提取网络集成到动态图中，以便从不同时间范围的交通流中提取特征。此外，堆叠的动态空间提取网络模块解决了与区域影响变化相关的问题。最后，这三个模块依次集成，提高了模型提取时空相关性的能力。在真实世界数据集（加利福尼亚州高速公路网络）上的实验研究表明，该模型的性能显著优于机器学习模型。与最近的基准模型相比，其性能提升了5.3%至18.7%。