融合外部屬性的短時交通流預測研究

摘要：針對現有交通流量預測算法大多僅考慮常態下的預測，而未考慮天氣屬性、周圍地理屬性對預測結果的影響，提出一種融合外部屬性的組合預測模型（A-STIGCN）。首先，將外部屬性作為路網中路段的屬性，同時對路段的屬性和交通特征進行建模，得到增強的特征向量。其次，采用圖小波變換和自適應矩陣分別提取交通流局部和全局空間特征信息，并借助門控循環單元（GRU）對時間信息的長時記憶能力以提取其時間特性。最后，通過注意力機制來捕獲時空動態變化性進行交通流預測。采用深圳出租車軌跡數據、對應天氣數據以及POI數據進行預測，研究結果表明：A-STIGCN組合模型預測效果優于傳統線性模型及變體模型，與未引入注意力機制的ASTGCN模型相比，MAE降低了約0.131，精度提高了0.068，與未引入外部因素的TGCN模型對比分析，MAPE降低了約0.637%，精度提高了0.079，從而更好地為交通管理提供指導意見。

關鍵詞：交通流預測；圖小波變換；自適應矩陣；外部因素；門控循環機制；注意力機制

中圖分類號：TP399文獻標志碼：A

文章編號：1001-3695（2022）10-013-2974-05

doi：10.19734/j.issn.1001-3695.2022.04.0119

Short-term traffic flow prediction studies integrated with external properties

Wang Qingronga，Wu Yuyua，Zhu Changfengb，Wang Yuana

（a.School of Electronics amp; Information Engineering，b.School of Transportation，Lanzhou Jiaotong University，Lanzhou 730070，China）

Abstract：Most of the existing traffic flow prediction algorithms only consider the prediction under normal conditions，but not the influence of weather attributes and surrounding geographical attributes on the prediction results，this paper proposed a combined prediction model（A-STIGCN） integrating external attributes.Firstly，it took the external attributes as the attributes of the sections in the road network，and also put the attributes and traffic characteristics of the sections under modeling to obtain the enhanced feature vectors.Secondly，the method used graph wavelet transform and adaptive matrix to extract the local and global spatial feature information of the traffic flow respectively，with the help of the gating cycle unit （GRU） to extract the temporal information.Finally，it captured the temporal dynamic variability of the attention mechanism to predict the traffic flow.Shenzhen taxi trajectory data，corresponding weather data and POI data for prediction，the research results show that A-STIGCN combination model is better than the traditional linear model and variant model，compared with the ASTGCN model without introducing attention mechanism，MAE reduces about 0.131，accuracy improves 0.068，and compared with the TGCN model without introducing external factors，MAPE reduces 0.637% and the accuracy improves 0.079，it provides better guidance for traffic management.

Key words：traffic flow prediction；graph wavelet transformation；adaptive matrix；external factors；gating cycle mechanism；attention mechanism

0引言

短時交通流預測一直是智能交通系統的研究熱點，關于交通流預測的研究主要圍繞基于統計理論、非線性理論、神經網絡等方法開展，建立了大量預測模型，如時間序列模型、卡爾曼濾波模型、非參數回歸模型、神經網絡模型等［1］。隨著模型的不斷改進，包括貝葉斯估計、支持向量回歸（SVR）模型和隨機森林模型［2］等在內的淺層機器學習方法由于具備一定的泛化能力以及較低的維護成本，而在短時交通流預測中顯示出了良好的應用前景，但是這類模型在特征提取與處理大規模數據方面存在著局限性，深度學習是數據驅動方法最主要的分支之一，與其他數據驅動方法相比，深度學習在高維數據處理、時空關系分析等方面更具優勢［3］。由于未來的交通狀態不僅取決于歷史狀態，而且還可能受到各種靜態和動態的外部因素的影響，因此很難實現準確的交通預測。其中，靜態因素不會隨時間持續變化，但會在一定時間內使交通狀態受到影響，動態因素會隨時間而變化，并導致交通狀況的變化。這些因素造成了交通狀態的隨機性，并使得準確的交通預測變得更加復雜［4］，如何結合多源數據來實現精確的交通流預測是一個迫切需要解決的問題。

文獻［5，6］使用深度學習理論捕捉長期依賴關系的能力，并引入注意力機制調節編碼向量的權重以進一步提高模型的預測精度，但未深入考慮空間特性的提取。文獻［7］提出了STGCN（時空圖卷積網絡），可以提取時空特征且捕捉空間的依賴關系。文獻［8］提出了DCRNN（擴散卷積循環網絡），分別采用擴散卷積和循環網絡在有向圖上捕獲交通流的空間和時間依賴性，結果表明該模型具有良好的預測精度。文獻［9］構造了基于關鍵路段的混合卷積長短期記憶神經網絡模型來估計未來的交通變化，首先根據時空相關算法鑒別出對子網絡影響最大的關鍵路段，然后將關鍵路段的交通速度當做ConvLSTM的輸入來預測整個網絡的將來的交通狀態。實驗結果驗證了模型在不同關鍵路段下的預測能力。

雖然以上方法都獲得了較好的結果，但多是在單一影響因素或特定情況下進行的實驗。文獻［10］基于圖小波卷積算子，對交通數據的時空相關性和動態相關性進行建模，通過疊加多層圖小波神經網絡模塊從交通網絡圖節點鄰域中捕獲空間相關性。文獻［11，12］均沒有考慮多特征信息。鑒于此，文獻［13］提出一種多特征注意力機制捕獲交通數據復雜的特征關系，設計了一種信息增強傳輸機制捕獲交通數據復雜的動態空間依賴，采用數據線性與非線性融合機制，有效地提高模型的預測精度。文獻［14］選用GBDT算法進行建模對高速公路交通流量進行預測，著重分析天氣變化、時段特征、星期特征等因素對原本封閉的高速公路系統的交通狀態的影響，而且不同車輛類型具有較強的不確定性和隨機性，對后續模型的提出產生重大的意義。

在此基礎上，本文提出了一種將外部屬性視為路段的屬性信息，結合天氣因素與周圍地理因素，預測外部因素對于交通流的影響。通過整合屬性信息和交通特征，增強模型對外部信息的感知，圖小波網絡可以全局處理路段拓撲信息，挖掘短時交通的空間特性，而且可以通過GRU對時間信息的長時記憶能力來提取其時間特性，使用注意力機制對重要信息分布足夠的權重來提高交通流的預測精度。

1交通屬性定義

交通流預測的目標是根據道路上的歷史交通信息，對一定時期內的交通信息進行預測。將城市路網中交通量和影響交通的外部因素作為初始變量來預測未來的交通流量。

1.1路網特征屬性

定義1路網G。以城市路網交通流探測傳感器i安裝位置為節點，以vi表示，并且以相鄰路段上的傳感j為鄰居節點vj，構建交通路網圖模型［15］G，定義為G=（V，E，A）（1）

其中：V表示節點集合，在路網中表示交通流探測傳感器集合，且|V|=N；E是一組邊緣，表示圖G中邊的集合，它反映了路段之間的連接，元素ei=〈vi，vj〉∈E表示節點vi和節點vj有聯結關系，在路網圖構建過程中，通常以節點vi鄰域范圍內鄰居節點構建邊或聯結；A∈Euclid Math TwoRApN×N為圖G的鄰接矩陣，鄰接矩陣只包含0和1的元素。如果道路之間沒有相關，元素為0，1例表示有相關。本文構建的交通路網圖G是無向圖。

定義2特征矩陣X。將路段上的交通流量視為網絡節點的屬性，用特征矩陣X∈Euclid Math TwoRApN×P表示。其中P為節點屬性特征的個數，即歷史時間序列的長度。Xi表示時刻i各路段的交通流量。

定義3屬性矩陣K。將影響交通流的外部因素作為城市路網上路段的增強屬性。這些因素可以形成一個屬性矩陣K={K1，K2，…，Kl}，其中l為輔助信息的類別數。輔助信息的類別j可以表示為Kj={j1，j2，…，jt}，jti是t時刻第i條路段的第j個輔助信息。因此，時空依賴的交通預測建模可以看做是基于路網G、特征矩陣X，屬性特征K的映射函數f ［16］。未來T時間段的交通速度計算如下：

［xt+1，xt+2，…，xt+T］=f（G，X|K）（2）

1.2外部屬性特征

為了綜合考慮影響交通狀態的因素，將外部因素分為動態（D）屬性和靜態（S）屬性。然后，將交通特征矩陣X和屬性矩陣K={S，D}作為輸入，得到增廣矩陣［17］。

1）靜態屬性融合S∈Euclid Math TwoRApn×p是指p個不同的靜態屬性的集合。由于屬性值不隨時間變化，所以不斷使用矩陣S，而在每個時間戳生成增廣矩陣的過程中，只提取相應的特征矩陣X列。具體來說，在t時刻由靜態屬性增廣的矩陣形成為

Ets=［Xt，S］，Ets∈Euclid Math TwoRApn×（p+l）（3）

2）動態屬性融合不同于靜態屬性，D∈Euclid Math TwoRApn×（w×t）是指w個不同動態屬性的集合。考慮到流量狀態受動態因素的累積影響，沒有選擇時間t對應的屬性值，而是選擇當形成Et時將窗口大小擴展到m+1，Dt-m，tw=［Dt-mw，Dt-m-1w，…，Dtw］。最后，通過屬性增強單元，形成包含靜態和動態外部屬性以及t時刻的流量特征信息的增廣矩陣為

Et=［Xt，S，Dt-m，t1，Dt-m，t2，…，Dt-m，tw］ （4）

其中：Et∈Euclid Math TwoRApn×（p+l+w×（m+1））。

2交通流預測模型

2.1方法描述

本方法將交通流特征與屬性增強單元相結合，利用圖小波卷積層和自適應矩陣來提取空間路網特征信息，采用門控循環單元層提取其時間特性，并通過注意力機制進行全局時空信息提取，以促進交通流預測。方法的整體框架如圖1所示，本文將其命名為A-STIGCN（attribute-augmented spatiotemporal graph convolutional network integrating attention and graph wavelet）。

2.2空間特征提取

本文基于圖小波變換進行卷積操作，可以捕獲信號的突變，與圖傅里葉變換類似，圖小波變換也是將圖信號映射到頻域中進行卷積操作，不同的是傅里葉變換只能將時域信號分解為頻域信號的組合，而小波變換可以展示信號隨時間變化過程中相位最大的頻率位置和時間［18］。圖小波采用一個母小波函數將信號分解為不同的頻率分量，在圖網絡中可以表示為一組小波基，ψs=［ψs1，ψs2，…，ψsn］，ψsi表示節點i相關的小波基，s為尺度參數，控制小波的大小，λ表示L的特征值。圖小波基為

ψs=UGsUT（5）

Gs=diag［g（sλ1），…，g（sλn）］（6）

g（sλi）=eλis（7）

圖小波可以將交通流數據X映射到頻域空間，得到在頻域中的數據表示X=ψ-1sX。圖小波卷積操作可以定義為

F*gX=ψs［（ψ-1sF（L）（ψ-1sX）］（8）

相比于傅里葉變換而言，圖小波基ψS和ψ-1S更加稀疏，所以計算更加快速有效。此外，圖小波變換聚合局部節點信息來表征節點特征，從而提高了方法的可解釋性。

然而交通網絡中的空間關系是不確定的，道路節點除了與鄰居節點密切相關以外，還和位于網絡中心的重要道路節點相關，而這些節點可能相距較遠，而通過基于距離計算的鄰接矩陣無法體現出這些道路的相關性［19］，因此本文采用了一個自適應矩陣在全局范圍內進行空間特征學習，其表達式為

p，m=SVD（A）（9）

E1=pm（10）

Aadp=softmax（ReLU（E1ET2））（11）

其中：p和m分別是A前c個特征值組成的特征向量和對角矩陣；E1，E2∈Euclid Math TwoRApN×c。自適應矩陣以及圖小波卷積可以分別提取局部和全局空間特征信息。由于空間依賴通常是非線性的，所以需要一個非線性激活函數，在本文中采用ReLU函數。通過一個對角權重矩陣A可以得到的圖卷積層迭代式為

H（l）s=ReLU（ψsΛψ-1sH（l-1）sW1）+AadpH（l-1）sW2（12）

2.3時間特征提取

門控循環單元GRU是為了改善循環神經網絡RNN的長程依賴問題，是一種比長短時記憶網絡LSTM更加簡單的循環神經網絡。GRU用門控機制控制輸入、記憶等信息而在當前時間步作出預測，門控循環單元不會隨時間而清除以前的信息，它會保留相關的信息并傳遞到下一個單元，因此它利用全部信息而避免了梯度消失問題。其網絡結構如圖2所示。

GRU有兩個門，即一個重置門（reset gate）和一個更新門（update gate）。重置門決定了如何將新的輸入信息與前面的記憶相結合，更新門定義了前面記憶保存到當前時間步的量。表達式定義如下：

zt=σ（W（z）xt+U（z）ht-1），rt=σ（W（r）xt+U（r）ht-1）（13）

h′t=tanh（Wxt+rtUht-1），ht=ztht-1+（1-zt）h′t（14）

其中：xt為第t個時間步的輸入向量；W（z）為權重矩陣；ht-1是前一個時間步t-1的信息；σ為sigmod激活函數；zt∈［0，1］為更新門；rt∈［0，1］為重置門；h′t代表當前時刻的候選狀態；ht代表當前時間步的最終記憶。

2.4融合注意力機制的時空特征提取

在實際交通網絡中時間依賴關系往往是復雜的，而不只是順序相關的。例如某時刻發生了交通事故，則該時間點對未來的時間點影響將是最大的且會持續很長一段時間，而非主要受前一個時刻的影響。本文引入注意力機制層來自動捕獲不同輸入特征，以概率分布的思想對重要的信息分布足夠的權重［4，15］，以此來提升交通流的預測精度。其結構圖如圖3所示。

通過結合靜態和動態的外部屬性來擴展原始特征矩陣的維數。其中，Xt是從原始流量特征矩陣X中提取，{Dt-m，Dt-m-1，…，Dt}是從時間t-m到t的動態信息集合；S是靜態屬性，對于不同的時間戳始終是相同的；Et是將外部屬性和原始交通流量特征融合后的增廣矩陣。用增廣矩陣作為時空模型的輸入，隨即獲得n個包含時空特征的隱藏狀態（h）［20］，利用圖小波網絡和自適應矩陣捕獲道路網絡的拓撲特征，獲得空間依賴性，利用GRU捕獲節點屬性的動態變化，獲得交通狀態的局部時間趨勢，然后將隱藏狀態輸入到注意力模型中，計算公式如下：

et=tanh（weht+be），αt=exp（et）∑Hi=1exp（ei），Qt=∑Hi=1αtht（15）

其中：et表示t時刻由輸出向量ht所決定的注意力概率分布值；αt為t時刻的權重系數；Qt表示輸出值；we和be為權重和偏置。本文通過數據預處理、交通特征與外部屬性的結合，構建A-STIGCN模型，然后完成模型的參數設置與誤差評估，將提取出的全部特征使用全連接層的dense層進行輸出。系統模型流程如圖4所示。

3實驗應用研究

3.1實驗數據

a）交通流數據。SZ出租車，該數據集包含2015年1月1日～1月31日收集的深圳出租車軌跡數據，共選擇羅湖區156個主要路段，其連通性采用156×156鄰接矩陣建模。計算選定路段的交通速度時間序列，形成一個特征矩陣，其中行按路段索引，列按時間戳索引。

b）天氣數據。SZ天氣，此輔助信息包含了2015年1月每15 min記錄一次的研究區域的天氣狀況。天氣條件分為晴天、多云、霧、小雨和大雨五種類型。利用時變天氣條件的信息，構造了大小為156×2 976的動態屬性矩陣。

c）POI數據。SZPOI，此數據集提供了有關選定路段周圍POI的信息。POI類別可分為餐飲服務、企業、購物服務、交通設施、教育服務、生活服務、醫療服務、住宿九類。在計算出各路段的POI分布后，以比例最大的POI類型作為該路段的特征。因此，得到的靜態屬性矩陣的大小為156×1。

3.2模型評價與參數設置

3.2.1評估指標

在實驗過程中，選用平均絕對誤差（mean absolute errors，MAE）、平均絕對百分比誤差（mean absolute percentage errors，MAPE）和精度（accuracy）三種度量指標來評估模型。具體定義分別如下：

MAE（yi，i）=1n∑ni=1|（yi-i）|（16）

MAPE（yi，i）=∑ni=1（yi-iyi）×100n（17）

Accuracy=1-‖y-‖‖y‖F（18）

其中：yi為觀測值；i為預測值；n為選取樣本的數量；‖·‖F代表Frobenius范數。

3.2.2參數設置

基于谷歌TensorFlow深度學習框架在 PyCharm開發環境中完成交通流預測模型的訓練環境的搭建，在進行建模前，為提升模型的收斂速度及預測準確度，數據的劃分策略為：數據前80%作為訓練集，剩下的20% 數據作為測試集。模型的超參數主要包括學習率、epoch、隱藏單位、批處理大小，而將學習率和批量大小設置為0.001和64，并通過實驗搜索其他參數。首先，測試了集合［50，100，150，200，300，350］中的訓練能力，以分析模型性能的變化。圖5為不同訓練設置下的評價結果。隨著訓練值的增加，評價指標的變化變得穩定，轉折點為200。然后，當epoch固定為200時，從候選集［8，16，32，64，100，128］中選擇隱藏單元的數量。如圖6所示，當單位數達到100時，模型保持穩定。因此，epoch確定為200，而隱藏單位的數量為100個。

3.3實驗結果與分析

3.3.1傳統模型的對比分析

為了驗證A-STIGCN模型在交通流預測任務中的有效性，將其與基線模型進行比較，如表1所示。從實驗結果中可以看出，組合預測模型預測精度具有大幅度提高，平均絕對誤差MAE、平均絕對百分比誤差MAPE均比其他三個基線模型的平均性能低，與SVR和GRU傳統模型相比，MAE分別減少了約3.422和2.811。與只關注時空關系的GCN相比，MAPE降低了約1.777%，其他指標的總體評價也有顯著改善。比較結果驗證了A-STIGCN組合模型的有效性。

3.3.2變體模型的對比分析

如表2所示，TGCN的預測效果相對較差，交通流數據由于受到多種外部因素的影響而呈現隨機性變化，與未引入外部因素的TGCN模型相比，MAE降低了約0.173，MAPE降低了約0.637%，與沒有加入注意力機制的ASTGCN模型相比，MAE降低了約0.131，精度提高了0.068。可以看出，當考慮外界因素對交通流量的影響時，A-STIGCN模型仍具有良好的預測效果。

3.3.3不同時段特征的預測性能對比分析

本實驗測試A-STIGCN模型在不同視野下（15 min，30 min，45 min和60 min）的預測性能，A-STIGCN模型和基線模型之間的性能比較如表3所示。在15 min的預測范圍內，A-STIGCN模型的MAE大約比TGCN和DCRNN模型低0.047和0.097。在30 min的預測范圍內，A-STIGCN模型的預測誤差MAPE約比TGCN和DCRNN低0.107%和1.12%。對于45 min的預測范圍，A-STIGCN模型的精度分別比TGCN和DCRNN高0.015和0.024。當預測范圍設置為60 min時，A-STIGCN模型的MAPE分別比TGCN和DCRNN低約0.077%和1.073%。結果表明，本文模型在不同視野下能夠保持良好的性能和長期預測能力。

3.3.4擾動分析

在數據中加入高斯噪聲和泊松噪聲，以驗證模型的魯棒性。兩種類型的噪聲分別服從高斯分布N∈（0，σ2）（σ∈0.2，0.4，0.6，0.8，1）和泊松分布P（λ）（λ∈1，2，4，8，16），實驗結果如圖7所示。通過在不同噪聲設置下評價指標的變化可以忽略不計，驗證了A-STIGCN模型的魯棒性。

4結束語

本文通過整合外部屬性信息和交通特征，形成屬性增強矩陣，增強模型對外部信息的感知，結合圖小波網絡與自適應矩陣，提取短時交通流的局部與全局空間特性，并利用門控循環單元提取時間特性，使用注意力機制對重要信息分布足夠的權重，設置對比實驗，測試A-STIGCN模型的預測性能，從而提高交通流預測的精度。但模型對于交通道路上的車型特征，時段特征考慮不足，下一步將預測粒度更加細化，考慮路網復雜性來改進模型，進行相關的交通流預測研究。

參考文獻：

［1］劉靜，關偉.交通流預測方法綜述［J］.公路交通科技，2004（3）：82-85.（Liu Jing，Guan Wei.A review of traffic flow prediction me-thods［J］.Highway Traffic Technology，2004（3）：82-85.）

［2］Zhang Suqi，Lin Kuoping.Short-term traffic flow forecasting based on data-driven model［J］.Mathematics，2020，8（2）：152-169.

［3］Zhou Teng，Jiang Dazhi，Lin Zhizhe，et al.Hybrid dual Kalman filtering model for short-term traffic flow forecasting［J］.IET Intelligent Transport Systems，2019，13（6）：1023-1032.

［4］Sun Bo，Sun Tuo，Zhang Yujia，et al.Urban traffic flow online prediction based on multi-component attention mechanism［J］.IET Intelligent Transport Systems，2020，14（10）：1249-1258.

［5］曹陽，茅一波，施佺，等.日交通流預測的編碼器—解碼器深度學習模型研究［J/OL］.計算機工程與應用.（2021-11-22）.http：//kns.cnki.net/kcms/detail/11.2127.TP.20210913.1903.020.html.（Cao Yang，Mao Yibo，Shi Quan，et al.Encoder-decoder deep learning model study for daily traffic flow prediction［J/OL］.Computer Engineering and Application.（2021-11-22）.http：//kns.cnki.net/kcms/detail/11.2127.TP.20210913.1903.020.html.）

［6］桂智明，李壯壯，郭黎敏，等.基于ACGRU模型的短時交通流預測［J］.計算機工程與應用，2020，56（21）：260-265.（Gui Zhi-ming，Li Zhuangzhuang，Guo Limin，et al.Short-time traffic flow prediction based on the ACGRU model［J］.Computer Engineering and Applications，2020，56（21）：260-265.）

［7］Yu Bing，Yin Haoteng，Zhu Zhanxing.Spatio-temporal graph convolutional networks：a deep learning framework for traffic forecasting［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.2018：3634-3640.

［8］Li Yaguang，Yu R，Shahabi C，et al.Diffusion convolutional recurrent neural network：data-driven traffic forecasting［EB/OL］.https：//ar-xiv.org/abs/1707.01926.

［9］Yang Gang，Wang Yunpeng，Yu Haiyang，et al.Short-term traffic state prediction based on the spatiotemporal features of critical road sections［J］.Sensors，2018，18（7）：2287.

［10］姜山，丁治明，徐馨潤，等.面向路網交通流態勢預測的圖神經網絡模型［J］.計算機科學與探索，2021，15（6）：1084-1091.（Jiang Shan，Ding Zhiming，Xu Xinrun，et al.Graph neural network model［J］.Computer Science and Exploration，2021，15（6）：1084-1091.）

［11］戴俊明，曹陽，沈琴琴，等.基于多時空圖卷積網絡的交通流預測［J］.計算機應用研究，2022，39（3）：780-784.（Dai Junming，Cao Yang，Shen Qinqin，et al.Traffic flow prediction based on multi-spatio-temporal graph convolutional networks［J］.Application Research of Computers，2022，39（3）：780-784.）

［12］Zhang Lizong，Alharbe N R，Luo Guangchun，et al.A hybrid forecasting framework based on support vector regression with a modified genetic algorithm and a random forest for traffic flow prediction［J］.Tsinghua Science and Technology，2018，23（4）：479-492.

［13］倪慶劍，彭文強，張志政，等.基于信息增強傳輸的時空圖神經網絡交通流預測［J］.計算機研究與發展，2022，59（2）：282-293.（Ni Qingjian，Peng Wenqiang，Zhang Zhizheng，et al.Spatiotemporal graph neural network traffic flow prediction based on information-enhanced transmission［J］.Computer Research and Development，2022，59（2）：282-293.）

［14］張耀方，陳堅.基于GBDT算法的高速公路分車型交通流短時預測模型［J］.公路，2022，67（1）：221-227.（Zhang Yaofang，Chen Jian.Short-time prediction model of highway subvehicle traffic flow based on GBDT algorithm［J］.Highway，2022，67（1）：221-227.）

［15］Li Ming，Wang Yuewen，Wang Zhaowen，et al.A deep learning method based on an attention mechanism for wireless network traffic prediction［J］.Ad hoc Networks，2020，107：102258.

［16］Tang Cong，Sun Jingru，Sun Yichuang.Dynamic spatial-temporal graph attention graph convolutional network for short-term traffic flow forecasting［C］//Proc of IEEE International Symposium on Circuits and Systems.Piscataway，NJ：IEEE Press，2020：1-5.

［17］Zhu Jiawei，Wang Qiongjie，Tao Chao，et al.AST-GCN：attribute-augmented spatiotemporal graph convolutional network for traffic forecasting［J］.IEEE Access，2021，9：35973-35983.

［18］薛延明，李光輝，齊濤.融合圖小波和注意力機制的交通流預測方法 [J/OL]. 計算機科學與探索.（2022-03-16）.https：//kns.cnki.net/kcms/detail/11.5602.TP.20220315.1501.002.html.（Xue Yanming，Li Guanghui，Qi Tao.Traffic prediction method integrating graph wavelet and attention mechanism [J/OL].Journal of Frontiers of Computer Science and Technology.（2022-03-16）.https：//kns.cnki.net/kcms/detail/11.5602.TP.20220315.1501.002.html.）

［19］Wu Zonghan，Pan Shirui，Long Guodong，et al.Graph WaveNet for deep spatial-temporal graph modeling［C］//Proc of the 28th International Joint Conference on Artificial Intelligence.2019：1907-1913.

［20］Zhao Ling，Song Yujiao，Zhang Chao，et al.T-GCN：a temporal graph convolutional network for traffic prediction［J］.IEEE Trans on Intelligent Transportation Systems，2020，21（9）：3848-3858.

收稿日期：2022-04-02；修回日期：2022-05-09基金項目：國家自然科學基金資助項目（71961016）；教育部人文社會科學研究規劃基金資助項目（18YJAZH148）；甘肅省自然科學基金資助項目（20JR10RA212，20JR10RA214）

作者簡介：王慶榮（1977-），女，教授，主要研究方向為智能交通、應急物流；吳玉玉（1995-），女，碩士研究生，主要研究方向為機器學習、智能交通（1036525903@qq.com）；朱昌鋒（1972-），男，教授，博導，主要研究方向為軌道交通運輸組織優化；王媛（1998-），女，碩士研究生，主要研究方向為機器學習、智能交通.