MSSTGIN：一种新颖的自适应图方法，用于长期交通速度预测，该方法考虑了全局-局部多尺度时空相关性

《Expert Systems with Applications》：MSSTGIN: A novel adaptive graph method for long-term traffic speed forecasting considering global-local multiscale spatiotemporal correlations

长期交通速度预测需融合多尺度时空信息，解决局部拥堵传播与全局周期趋势的协同建模难题。本文提出MSSTGIN模型，创新性地采用全局-局部分层时空模块、无拓扑依赖的图自编码器-注意力机制和速度时序增强编码器，有效捕捉非相邻路段的隐性关联及突发速度变化，在福建ETC数据集上实现RMSE降低1.03%-5.94%、MAE降低1.29%-8.42%的优化效果。

　　在现代城市交通系统中，准确的交通速度预测对于缓解交通拥堵、优化道路使用效率以及提升整体交通管理能力具有重要意义。尤其是在智能交通系统（ITS）不断发展的背景下，交通速度预测不仅是实时交通调控的基础，更是长期交通规划和政策制定的重要依据。因此，如何提升交通速度预测的准确性，特别是在长期预测方面，成为研究者们关注的焦点。

长期交通速度预测相较于短期预测更加复杂，因为它需要考虑更长时间跨度内的交通模式变化，而这些变化往往受到多种外部因素的影响，如天气、节假日、突发事件等。此外，交通系统的空间结构和时间序列特征也使得长期预测面临更大的挑战。传统的预测方法通常难以同时捕捉到交通系统的全局趋势和局部动态，这导致预测结果在面对复杂交通场景时不够精确。因此，构建一个能够有效融合多尺度空间与时间信息的模型，成为提升长期交通速度预测性能的关键。

目前，已有多种基于深度学习的交通预测模型被提出，其中包括图神经网络（GNN）和注意力机制的结合。这些模型在一定程度上改善了交通预测的准确性，但在处理多尺度信息和隐式关联方面仍存在不足。一方面，许多模型过于依赖固定的交通网络拓扑结构，无法适应动态变化的交通状况；另一方面，它们往往忽视了非相邻但行为相似的道路段之间的隐式关联，这种关联在交通流的传播和变化中起着重要作用。例如，在高峰时段，某一路段的拥堵可能会迅速影响到相邻或非相邻的其他路段，而这些变化模式通常难以通过传统的邻接关系捕捉到。

针对上述问题，本文提出了一种新型的多尺度时空网络模型——MSSTGIN（Multi-Scale Spatial-Temporal Generative Inference Network）。该模型的核心创新点在于：首先，引入了一个全局-局部时空模块，通过分层聚合多尺度交通模式，能够同时捕捉到细粒度的速度波动和长期趋势；其次，设计了一种拓扑无关的图学习机制，结合图自编码器和注意力机制，能够推断出超出邻接关系的静态和动态关联，从而减少对固定拓扑结构的依赖；最后，提出了一种速度-时间增强的编码器，能够显式建模突发速度变化（如事故导致的延迟）与周期性趋势之间的关系，提升了模型对复杂交通现象的适应能力。

MSSTGIN模型的提出，不仅解决了现有模型在多尺度信息融合上的不足，还有效应对了交通速度波动和动态网络拓扑带来的挑战。通过在福建省主要高速公路上的实验测试，该模型在多个评估指标上均优于当前最先进的方法。例如，在均方根误差（RMSE）和平均绝对误差（MAE）指标上，MSSTGIN分别减少了1.03%-5.94%和1.29%-8.42%。这些结果表明，该模型在处理复杂交通数据方面具有显著优势，能够更准确地预测未来交通速度，从而为交通管理部门提供有力的支持。

在实际应用中，交通速度预测的准确性直接影响到交通调度、路径规划和紧急事件响应等关键环节。例如，当某一路段发生事故时，准确的预测能够帮助交通管理系统及时调整信号灯、引导车辆绕行，从而减少事故对整体交通流的影响。此外，对于长期的交通趋势预测，如节假日出行高峰或城市扩张带来的交通模式变化，MSSTGIN模型的多尺度处理能力能够提供更全面的分析，帮助政策制定者更好地规划交通基础设施和优化交通资源配置。

从技术角度来看，MSSTGIN模型通过引入多尺度处理机制，使得模型能够在不同时间尺度和空间尺度上灵活地捕捉交通数据的特征。全局-局部模块的设计，使得模型能够同时关注局部的交通波动和全局的周期性趋势，从而更全面地理解交通系统的运行规律。同时，模型的拓扑无关特性，使得其能够适应不断变化的交通网络结构，特别是在缺乏详细拓扑数据的情况下，依然能够进行有效的预测。

此外，模型在速度-时间增强编码器上的创新，使得其能够更精确地识别和分离交通速度变化中的周期性趋势与突发性事件。例如，在交通高峰期，车辆速度可能会呈现出明显的周期性波动，而在突发事件发生时，速度变化则可能表现为突发的、非周期性的波动。通过引入速度波动门机制，MSSTGIN能够区分这两种变化模式，从而在预测中更加精准地反映实际交通状况。

实验结果表明，MSSTGIN模型在多个方面均优于现有方法。首先，它在处理复杂交通数据时表现出更强的泛化能力，能够适应不同路段和不同时间段的交通特征。其次，模型在预测精度上有了显著提升，特别是在处理非邻接但行为相似的道路段时，能够捕捉到其间的隐式关联，从而提高预测的准确性。最后，模型的计算效率较高，能够在保证预测精度的同时，降低计算资源的消耗，这对于实际部署和应用具有重要意义。

从更广泛的角度来看，MSSTGIN模型的提出为智能交通系统的发展提供了新的思路和方法。它不仅能够提升交通速度预测的准确性，还能够为交通管理提供更加智能化的决策支持。例如，基于MSSTGIN的预测结果，交通管理部门可以提前制定应对措施，如调整交通信号、优化公交调度、规划道路扩建等，从而在一定程度上缓解交通拥堵，提高道路使用效率。

此外，该模型的动态网络拓扑特性，使得其在面对实时变化的交通状况时更具适应性。传统的交通预测模型往往依赖于固定的拓扑结构，这在面对突发事件或临时交通管制时可能会产生偏差。而MSSTGIN通过引入图自编码器和跨区域注意力机制，能够自动学习和适应交通网络的动态变化，从而提供更加实时和准确的预测结果。

在政策层面，MSSTGIN模型的应用也带来了新的建议和方向。例如，对于交通管理部门而言，可以考虑采用动态网络拓扑，以减少维护固定拓扑结构所带来的成本。同时，模型的多尺度处理能力可以为交通基础设施的优化提供数据支持，如在规划新道路或调整现有道路结构时，可以基于模型的预测结果进行更科学的决策。

总之，MSSTGIN模型的提出为长期交通速度预测提供了一种新的解决方案，它不仅能够有效融合多尺度空间与时间信息，还能够适应动态变化的交通网络结构。通过在实际交通数据中的测试，该模型在预测精度和计算效率方面均表现出色，为智能交通系统的进一步发展提供了有力的技术支撑。未来，随着交通数据的不断丰富和计算能力的提升，MSSTGIN模型有望在更广泛的交通场景中得到应用，为实现更加高效、智能的交通管理做出贡献。