DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting

准确的交通预测对于有效的城市规划和拥堵管理至关重要。深度学习（DL）方法在交通预测方面取得了巨大成功，但仍面临捕捉交通动态复杂性的挑战。本文通过强调空间特征本质上是动态的并随时间变化，识别并解决了这些挑战。介绍了一种新的深度特征表示方法，称为动态时空（Dyn-ST）特征，它封装了不同时间点上的空间特征。此外，提出了一种动态时空图转换网络（DST-GTN），通过捕捉Dyn-ST特征和交叉口之间的其他动态邻接关系，可以准确地建模节点之间的动态ST关系，并通过在低通和全通滤波器中采用自适应权重来改善全局和局部ST特征的表示，从交通时间序列数据中提取Dyn-ST特征。通过在公共数据集上进行数值实验，DST-GTN在一系列交通预测任务中实现了最先进的性能，并展示了增强的稳定性。

如何更准确地预测交通流量，以便进行城市规划和缓解拥堵问题？

提出一种新的动态时空特征表示方法Dyn-ST，以及基于该方法的动态时空图变换网络DST-GTN，能够准确地捕捉交通动态特征和节点之间的动态空间关系。

论文使用公共数据集进行了实验，证明了DST-GTN在多个交通预测任务中的优越性能，并提高了模型的稳定性。

在交通预测领域的相关研究包括：《Traffic Flow Prediction with Big Data: A Deep Learning Approach》、《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》等。