.png){kind=icon}
返回
STMACN: spatial–temporal multi-scale auto-correlation network for traffic forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07809-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通预测作为智能交通系统中的关键技术，由于受到包括交通条件复杂性及所表现出的快速动态时变特性在内的多种影响因素，面临着显著挑战。尽管已有多种交通预测模型取得了有前景的结果，但在时空动态建模以及局部与全局信息的融合方面仍存在改进空间。本文提出了一种用于交通预测的时空多尺度自相关网络（STMACN）。STMACN包括时空嵌入层、空间注意力模块、时序自相关模块和多尺度注意力融合模块。时空嵌入层将图节点信息和时序周期整合到输入数据中，从而增强先验知识。空间注意力模块自适应地挖掘道路网络中传感器节点间的空间相关性。时序自相关模块利用自相关机制建模长期时序依赖关系并捕捉周期性特征。多尺度注意力融合模块进一步增强了时序自相关模块在不同时间尺度上捕捉周期性特征的能力，并提升了局部变化的感知能力。在四个真实世界交通数据集上的实验结果表明，本文提出的STMACN优于当前最先进的模型。源代码和数据可在https://github.com/NathanZ137/STMACN获取。
Keyword:
Traffic forecasting
Spatial–temporal embedding
Multi-scale attention
Auto-correlation mechanism
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results作为季节性ARIMA过程的车辆交通流建模和预测: 理论基础和实证结果
PREAI
分享收藏A spatiotemporal correlative k-nearest neighbor model for short-term traffic multistep forecasting
PREAI
分享收藏T-LSTM: A Long Short-Term Memory Neural Network Enhanced by Temporal Information for Traffic Flow Prediction.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏DTSFormer: Decoupled temporal-spatial diffusion transformer for enhanced long-term time series forecastingDTSFormer: 用于增强长期时间序列预测的解耦时空扩散变换器
PREAI
分享收藏分享收藏
查看更多内容