【学术期刊】《Knowledge-Based Systems》，2025年

【作者简介】蒋锋，米兰电竞·(中国区)统计与数学学院教授、博士生导师。主要研究领域为深度学习、优化算法与神经网络。主持国家自然科学基金项目、教育部人文社科基金项目等多项科研项目，在《IEEE Transactions on Knowledge and Data Engineering》、《 Science China Information Sciences》等国际权威期刊发表论文80余篇。韩兴钰，米兰电竞·(中国区)统计与数学学院博士研究生。主要研究领域为多模态深度学习、跨域知识迁移、时空预测与图神经网络。研究成果已发表于《Information Sciences》、《Knowledge-Based Systems》等人工智能领域国际权威期刊，曾荣获博士研究生国家奖学金、"华为杯"中国研究生数学建模竞赛国家二等奖等荣誉。

【主要观点】

随着城市化进程不断加快，精准的交通预测已成为构建高效智能交通系统的关键环节，对城市路网规划、交通管理与公众出行具有重要现实意义。然而，传统预测模型往往难以充分捕捉交通数据中复杂的时空动态关联，尤其在对各节点独特属性与全局共享特征的协同建模方面存在明显局限。

本文提出了一种名为“时空交互学习动态自适应图卷积网络（SILDAGCN）”的创新模型，该模型通过构建动态自适应图卷积结构，能够同时学习路网中各节点的共享特征与独有特性；进一步引入时空特征交互学习机制，实现了多维度时空依赖关系的深度融合与相互增强。通过在多个真实交通数据集上的系统验证，本研究主要得出以下结论：第一，SILDAGCN模型在交通流量与需求预测任务中均表现出优越性能。与现有主流图神经网络模型相比，其在多个评价指标上均取得显著提升，证明了模型在捕捉复杂时空动态方面的有效性。第二，模型具备较强的泛化能力与实用性。在包括PEMS03、PEMS08等不同规模、不同特性的真实数据集上，SILDAGCN均能保持稳定的预测精度，显示出其对多样化城市交通场景的适应能力。第三，该模型在提升预测性能的同时，兼顾了计算效率。通过引入多头部注意力机制与动态图生成器，模型在参数量适度增加的情况下，大幅降低了训练时间，为在实际系统中的部署应用提供了可能。本研究为时空预测问题提供了新的建模思路，所提出的SILDAGCN框架对推动智能交通系统的发展具有重要的理论价值与应用前景。