IPGMVL: based on interactive progressive graph convolution with multi-view learning traffic flow forecasting

doi:10.1038/s41598-026-59952-3

IPGMVL: based on interactive progressive graph convolution with multi-view learning traffic flow forecasting

2026-07-08

0

OA

AI

DOI：10.1038/s41598-026-59952-3

原文链接

原文求助

摘要

En 中文

交通流量预测的关键挑战在于有效建模复杂的时空依赖关系。尽管图神经网络已展现出潜力，但现有方法存在两个关键局限性：（1）静态图构建方法无法适应实时网络动态，（2）主流时空模型既忽视了交互依赖学习，也忽略了由于空间异质性导致的节点特定模式变化。提出了一种基于交互式渐进图卷积与多视图学习（IPGMVL）的模型，该模型引入了三项关键创新：首先，渐进图卷积通过趋势相似性学习动态调整边权重，捕捉实时空间演化；其次，多视图交互学习机制整合时空异质模式，实现全面的依赖关系建模；第三，采用快速并行学习（FPL）模块通过参数流线化实现时空特征的同步高效挖掘，同时串行学习（SL）模块扩展串行感受野并避免信息覆盖，进一步强化时空依赖关系的建模能力。实验结果在四个基准数据集上验证了IPGMVL的优越性能，在保持计算效率的同时刷新了最优标准。这一进展突显了动态图适应和交互学习在交通预测系统中的重要性。

IPGMVL: based on interactive progressive graph convolution with multi-view learning traffic flow forecasting

摘要

期刊

机构

引用论文