用于异常交通流预测的时空生成对抗聚类图卷积网络

作     者：张红 杨俊译 

作者机构：兰州理工大学计算机与通信学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2025年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0838[工学-公安技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：甘肃省重点研发计划项目(23YFGA0063) 

主　　题：交通流预测 异常交通流 时空动态特性 生成对抗网络 聚类图卷积网络 

摘      要：准确的交通流预测对城市交通至关重要，而交通流中的异常事件（恶劣天气、紧急道路状况等）导致的异常交通流，对现阶段交通流模型预测的准确性提出严峻挑战。现有的交通流预测模型大多难以有效捕捉交通流数据的复杂动态模式，且计算资源开销较大。为了解决这些问题，本文提出一种用于异常交通流预测的时空生成对抗聚类图卷积网络（CG-STGAN）。具体而言，构建了一个基于时空生成对抗网络的模型，其中，生成器用于捕捉并模拟正常交通流数据，鉴别器则对比生成数据与原始数据，判断其是否异常。通过对抗训练，生成器和鉴别器协同提升了异常交通流的检测能力。此外，提出了聚类图卷积网络，将交通图分解为多个子图，以限制图卷积的邻域扩张，从而降低内存使用并提高预测准确性。最后，结合图卷积门控循环单元挖掘交通流的短期时空特征，并通过长短期记忆模块学习交通流的长期依赖。实验结果表明，与基线模型相比，CG-STGAN在异常交通流预测方面表现出最佳性能。