ST-RetNet: A Long-term Spatial-Temporal Traffic Flow Prediction Method

交通流预测被认为是智能交通系统领域中的关键任务。本文针对交通流时空大数据长期预测精度低的问题，提出了一种创新模型，称为空间-时间保持网络（ST-RetNet）。我们扩展了保持网络来解决交通流预测任务。在空间尺度上，我们将拓扑图结构集成到空间保持网络（S-RetNet）中，利用自适应邻接矩阵提取道路网络的动态空间特征。我们还采用图卷积网络提取道路网络的静态空间特征。这两个组件然后融合在一起，以捕捉动态和静态的空间相关性。在时间尺度上，我们提出了时间保持网络（T-RetNet），已经证明在捕捉交通流模式中的长期依赖性方面优于其他时间序列模型，包括基于循环神经网络和变压器模型。我们通过将S-RetNet和T-RetNet集成形成ST-RetNet来实现时空交通流预测任务。通过对四个真实数据集进行的实验比较，我们证明ST-RetNet在交通流预测方面优于现有的最先进方法。

解决问题：论文试图解决交通流量长期预测的准确性问题。

关键思路：论文提出了一种新的模型ST-RetNet，结合了S-RetNet和T-RetNet，分别从空间和时间两个层面来提取动态和静态的特征，以捕捉交通流量的动态和静态相关性。

亮点：论文在四个真实数据集上进行了实验比较，证明ST-RetNet在交通流量预测方面优于现有的方法。论文还使用了自适应邻接矩阵和图卷积网络来提取动态和静态的空间特征。

相关研究：最近的相关研究包括：'Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction'，'ST-ResNet: Deep Spatio-temporal Residual Networks for Traffic Prediction'，'Graph Convolutional LSTM for Weather Forecasting'等。