Adaptive Spatio–Temporal Feature Graph Convolutional Network Prediction Model With Edge Computing Integration

doi:10.1109/JIOT.2026.3661976

2026-02-06

PRE

DOI：10.1109/JIOT.2026.3661976

原文链接

原文求助

摘要

En 中文

交通流量预测是智能交通系统（ITSs）的关键组成部分，但由于复杂的时空动态性和巨大的数据处理需求，仍具高度挑战性。为解决这些挑战，本文提出了一种自适应时空特征图卷积网络（ASTFGCN），一种基于边缘计算架构的高效交通流量预测模型，该模型整合了边缘计算的分布式处理能力、自适应特征增强（AFE）机制的轻量化建模优势以及图卷积网络（GCNs）的空间特征提取能力，从而实现高效且准确的交通流量预测。首先，ASTFGCN利用边缘计算架构将交通数据预处理和建模任务分配至边缘节点，有效减轻中心服务器的计算负担，减少数据传输延迟，并增强实时处理能力。同时，模型训练在云服务器上进行，边缘节点使用预训练参数执行预测，实现资源分配和任务分解的最优化，提升预测效率。其次，ASTFGCN引入AFE机制，利用时空嵌入生成注意力权重以融合和加权原始输入特征，在保持模型紧凑性的同时增强显著特征的表征能力。此外，设计了一种动态邻接矩阵生成方法，可根据当前特征自动调整图结构，提高模型对交通网络动态变化的适应性。再者，通过整合GCNs，ASTFGCN高效捕获交通网络中的空间依赖关系和节点间的复杂交互模式，从而提升预测精度。在多个真实交通数据集上的实验结果表明，ASTFGCN在预测精度和计算效率方面表现优异，尤其在资源受限的边缘计算场景中展现出显著优势。本研究为智能交通系统中的高效交通流量预测提供了一种新颖且实用的解决方案。

Keyword:

Adaptive feature enhancement (AFE)

edge computing

graph convolutional networks (GCNs)

traffic volume prediction