{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,8,28]]，“日期时间”：“2024-08-28T19:09:41Z”，“时间戳”：1724872181705}，“参考计数”：36，“出版商”：“计算机协会（ACM）”，“问题”：“7”，“资助者”：[{“名称”：“STI 2030\u2019重大项目”，“奖项”：[“2021ZD0201300”]}，{“名称”：“信息通信技术规划与评估研究所”}，{“名称”：“韩国政府”}，{“名称”：“用于大规模实时数据分析的高性能可视化大数据发现平台的开发”，“奖项”：[“2014-3-00123”]}，{“名称”：“MSIT（韩国科学和信息通信技术部）”}，{“名称”：“Grand Information Technology Research Center support program”，“award”：[“IITP-2023-2020-0-01462”]}，{“name”：“IITP（Institute for Information&communications Technology Planning&Evaluation”}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Discov.Data“]，“published-print”：{“日期部分”：[[2023,8,31]]}，“摘要”：“交通预测是智能交通系统（ITS）的核心任务，准确的交通预测可以大大提高公共资源的利用率。多种空间关系的动态交互将影响交通预测的准确性。然而，现有的许多方法只考虑静态空间关系，这限制了预测的准确性。为了解决上述问题，本文提出了动态多图融合网络（DMGF-Net）来建模交通网络中的时空相关性，和空间语义图。此外，为了动态地学习不同邻居的重要性，我们设计了动态时空单元（DSTU），它可以通过结合卷积运算和注意机制来调整不同邻居的聚集权重。它可以选择性地聚集来自不同邻居的时空特征。在三个数据集上的大量实验表明，我们的模型的有效性，特别是在PEMS08上，我们的模式在MAE和RMSE方面比静态模型STGCN分别提高了约8.55%和7.55%<\/jats:p>\n“，”DOI“：”10.1145\/3586164“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,3,3]]，”date-time“：”2023-03-03T11:08:56Z“，”timestamp“：1677841736000}，”page“：“1-19”，“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：”Crossref“，”is-referenced-by-count“：3，”title“：[”DMGF-Net：用于交通预测的高效动态多图融合网络“]，”前缀“：”10.1145“，”卷“：”17“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0001-5437-7063“，”authenticated-ORCID“：false，”给定“：”何“，”家族“：”李“，”sequence“：”first“，”affiliation“：[}”name“：”西安西电大学，中国陕西省西安市2019}]}，{“ORCID”：“”http:\/\/orcid.org\/00000-0002-2152-3658“，”authenticated-orcid“：false，”given“：”Duo“，”family“：”Jin“，”sequence“：”additional“，”affiliation“：[{”name“：”中国陕西西安西电大学“}]}，{”orcid“：，“隶属关系”：[{“name“：”西安西电大学，西安2019an，中国陕西”}]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-5588-3021”，“authenticated-ORCID”：false，“给定”：“建斌”，“家庭”：“黄”，“序列”：“附加”，“隶属关系”：[{“name”：“西安西电学院，陕西”}]}，}“ORCID”：“http://www.ORCID.org\/0001-0002-5604-7137”，“authenticated”ted-ORCID“：假，”给定“：”小科“，”家庭“：”马“，”序列“：”附加“，”隶属关系“：[{“名称”：”西安西电大学，陕西2019an，中国“}]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-5569-0780”，“authenticated-ORCID”：false，“给定”：“江涛”，“家庭”：“崔”，“序列”：“附加”，“隶属关系”：[{“姓名”：“西安西电学院，陕西2019-an”}]}，{“ORCID”：“http://\/orcid.org\/00000-0002-6759-2691“，”authenticated-orcid“：false，”given“：”Deshuang“，”family“：”Huang“、”sequence“：”additional“、”affiliation“：[{”name“：”广西科学院，中国南宁“}]}，{”orcid“：affiliation“：[{”name“：”成都信息技术大学，中国四川省成都市“}]}，{”ORCID“：”http://\/ORCID.org\/00000-0001-9926-9947“，”authenticated-ORCID“：false，”given“：“Jaeso”，“family”：“Yoo”，“sequence”：“additional”，“affiliance”：[{“name”：“Chungbuk National University，Cheongju，Chungcheongbuk-do，SoutherKorea”}]}]，“member”：“320”，“published-online“：{“date-parts”：[[2023,4,14]]}，“reference”：[{“key”：“e_1_3_1_2_2”，“volume-title”：“Proceedings of the Neural Information Processing Systems”，“author”：“Bai L.”，“year”：“2020”，“unstructured”：“L.Bai，L.Yao，C.Li，X.Wang，and C.Wang。2020。用于交通预测的自适应图卷积递归网络。《神经信息处理系统学报》（2020年）。}，{“key”：“e_1_3_1_3_2”，“volume-title”：“国际人工智能联合会议论文集”，“author”：“Bai L.”，“year”：“2019”，“unstructured”：“L.Bai，L.Yao，S.Kanhere，X.Wang，Q.Sheng.2019。Stg2seq：用于多步骤乘客需求预测的时空图到序列模型。《国际人工智能联合会议论文集》，（2019）。“}，{”key“：”e_1_3_1_4_2“，”doi-asserted-by“：”publisher“，”doi“：”10.3115\/v1\/D14-1179“}”，{“key”：“e_1_ 3_1_5_2”，“volume-title”：“第32届AAAI人工智能会议论文集，2018年AAAI”，“author”：“姚华秀”，“year”：“2018”，“unstructured”：“”姚华秀、吴飞、柯锦涛、唐先锋、贾益田、陆思宇、龚平华、李振辉、叶洁平和滴滴楚星。2018年，用于出租车需求预测的深度多视角时空网络。在第32届AAAI人工智能会议记录中，AAAI 2018（2018），2588\u20132595.“}，{“key”：“e_1_3_1_6_2”，“doi-asserted-by”：“crossref”，“unstructured”：“Hui Liu Hong qi Tian and Yan Fei Li.2012。两种新的ARIMA-ANN和ARIMA-Kalman混合风速预测方法的比较。应用能源98（2012）415\u2013424.”，“DOI”：“10.1016\/j.apenery.2012.04.001”}，｛“key”：“e_1_3_1_7_2”，“DOI由”断言：“publisher”，“DOI”：“10.1609\/aai.v33i01.33013656”}，｛“key”：“e_1_3_1_8_2”，“DOI由”断言：“publisher”，“DOI”：“10.1609\/aai.v33i01.3301922”}，｛“key”：“e_1_3_1_9_2”，“DOI由”：“publisher”断言，“DOI”：“10.1145\/2996913.2997016”}，｛”key“：”e_1_3_1_10_2“，”doi-asserted-by“：”crossref“，”unstructured“：”J.Sun J.Zhang Q.Li X.Yi Y.Liang和Y.Zheng。2020年。使用多视图图卷积网络预测不规则区域的全市人群流量。IEEE Transactions on Knowledge and Data Engineering 34 5（2020）2348\u20132359.“，“DOI”：“10.1109\/TKDE.2020.3008774”}，{“key”：“e_1_3_11_2”，“volume-title”：“第六届国际学习代表大会（ICLR）会议记录”，“author”：“Li Yaguang”，“year”：“2018”，“unstructured”：“Yaguange Li，Rose Yu，Cyrus Shahabi，and Yan Liu.2018。扩散卷积递归神经网络：数据驱动的交通预测。《第六届学习表征国际会议论文集》，2018年。“}，{“key”：“e_1_3_12_2”，“doi-asserted-by”：“crossref”，“unstructured”：“Ling Zhao Yujiao Song Chao Zhang Yu Liu Pu Wang Tao Lin Min Deng和Haifeng Li.2020。T-GCN：用于流量预测的时间图卷积网络。《IEEE智能交通系统汇刊》21 9（2020）3848\u20133858.“，”DOI“：”10.1109\/TITS.2019.2935152“}，{“key”：“e_1_3_13_2”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1145\/3340531.3411894”}，“key“：”e_1_ 3_14_2“，”DOI-assert-by“：”crossref“，”unstructured“：”Mascha Van Der Voort Mark Dougherty和Susan Watson.1996。结合kohonen地图和ARIMA时间序列模型预测交通流量。交通研究第C部分：新兴技术4 5（1996）307\u2013318”，“DOI”：“10.1016\/S0968-90X（97）82903-8”}，{“key”：“e_1_3_1_15_2”，“DOI断言”：“crossref”，“非结构化”：“Marco Lippi Matteo Bertini和Paolo Frasconi。2013。短期交通流预测：时间序列分析和监督学习的实验比较。IEEE Transactions on Intelligent Transportation Systems 14 2（2013）871\u2013882.“，“DOI”：“10.1109\/TITS.2013.2247040”}，{“key”：“e_1_3_1_16_2”，“DOI-asserted-by”：“publisher”，“DOI:”10.1145\/3292500.3330654“}，”{“密钥”：“e_1_17_2”，”DOI-assert-by“：”crossref“，”非结构化：“盛南郭友芳林世杰李昭明，陈怀玉。2019。用于交通数据预测的深时空三维卷积神经网络。《IEEE智能交通系统汇刊》20 10（2019）3913\u20133926.“，”DOI“：”10.1109\/TITS.2019.2906365“}，{“key”：“e_1_3_1_18_2”，“DOI-asserted-by”：“publisher”，“DOI”：“10.5555\/3367243.3367301”}，“key“：”e_1_ 3_19_2“，“volume-title”：“第28届国际人工智能联合会议论文集，IJCAI-19。国际人工智能组织联合会议”，“作者”：“方申”，“年份”：“2019年”，“非结构化”：“沈芳、张琦、孟高峰、向世明、潘春红。2019.GSTNet：用于交通流预测的全球时空网络。第28届国际人工智能联合会议论文集，IJCAI-19。国际人工智能组织联合会议。228\u20132293.“}，{”key“：”e_1_3_1_20_2“，”doi-asserted-by“：”publisher“，”doi“：”10.1609\/aaaai.v34i01.5438“}”，{“key”：“e_1_ 3_1_21_2”，“volume-title”：“神经信息处理系统进展”，“author”：“Drucker H.”，“year”：“1997”，“unstructured”：“H.Drucker，C.J.Burges，L.Kaufman，A.J.Smola，and V.Vapnik.1997。支持向量回归机。神经信息处理系统进展论文集。155\u2013161.“}，{“key”：“e_1_3_1_22_2”，“volume-title”：“国际人工智能联合会议论文集”，“author”：“Wu Z.”，“year”：“2019”，“unstructured”：“Z.Wu，S.Pan，G.Long，J.Jiang，and C.Zhang.2019”。用于深度时空图形建模的图形小波网。《国际人工智能联合会议论文集》（2019年）。}，{“key”：“e_1_3_1_23_2”，“volume-title”：“机器学习国际会议论文集”，“author”：“Wang Y.”，“year”：“2018”，“unstructured”：“Y.Wang，Z.Gao，M.Long，J.Wang，and P.S.Yu.2018”。PredRNN++：致力于解决时空预测学习中的深时间困境。《机器学习国际会议论文集》（2018年）。“}，{”key“：”e_1_3_1_24_2“，”doi-asserted-by“：”crossref“，”unstructured“：”威奇陈凌陈玉协曹玉松高，冯小杰.2020。用于交通预测的多范围关注双分量图卷积网络。《AAAI人工智能会议论文集》34 4（2020）3529\u20133536.“，”DOI“：”10.1609\/AAAI.v34i04.5758“}，{“key”：“e_1_3_1_25_2”，“DOI-asserted-by”：“publisher”，“DOI”：“10.24963\/ijcai.2018\/505”}，“key“：”e_1_ 3_1_26_2“，“volume-title”：“人工智能促进协会论文集”，“author”：““张杰”，“年份”：“2017年”，“非结构化”：“张杰、郑毅和齐德华。2017年，用于全市人群流量预测的深度时空残差网络。在《人工智能促进协会会议记录》（2017）中。“}，{”key“：”e_1_3_1_27_2“，”doi-asserted-by“：”crossref“，”unstructured“：”C.Zhang J.Q.Yu和Y.Liu.2019。时空图形注意网络：交通预测的深度学习方法。IEEE Access 7（2019）166246\u2013166256.“，“DOI”：“10.1109\/Access.2019.2953888”}，{“key”：“e_1_3_1_28_2”，“volume-title”：“人工智能发展协会会议记录”，“author”：“Zheng C.”，“year”：“2019”，“unstructured”：“C.Zheng，X.Fan，C.Wang，and J.Qi.2019。GMAN：用于交通预测的图形多关注网络。《人工智能发展协会会议录》（2019年）。“}，｛”键“：”e_1_3_1_29_2“，”非结构化“：”J.D.Hamilton.1994。时间序列分析第2卷。普林斯顿大学出版社新泽西州普林斯顿。“}，{”key“：”e_1_3_1_30_2“，”volume-title“：”第29届国际人工智能联合会议（IJCAI\u201920）“，”author“：”Huang Rongzhou“，”year“：”2020“，”unstructured“：”Rongzhuan Huang，Chuyin Huang，Yubao Liu，Genan Dai，and Weiyang Kong.2020“。LSGCN：使用图卷积网络进行长-短期流量预测。第29届国际人工智能联合会议论文集（IJCAI\u201920）。第326条，2355\u20132361。“}，{“key”：“e_1_3_1_31_2”，“volume-title”：“第35届AAAI人工智能会议论文集，虚拟会议”，“author”：“Mengzhang Li”，“year”：“2021”，“unstructured”：“Li Mengzhong and Zhu Zhanxing.2021。用于交通流预测的时空融合图神经网络。第35届AAAI人工智能会议论文集，虚拟会议。4189\u20134196.“｝，｛“key”：“e_1_3_1_32_2”，“doi由”断言：“publisher”，“doi”：“10.1145\/34447548.3467430”｝，｛“key”：“e_1_3_1_33_2”，“非结构化”：“Tuli Shreshth Matthew R.Wilkinson and Chris Kettell。2022。RadNet：使用交通预测在时空道路图网络中进行事件预测。IJCAI DSO研讨会（2022年）。“}，{”key“：”e_1_3_1_34_2“，”doi-asserted-by“：”publisher“，”doi“：”10.1002\/ett.4394“}”，{“key”：“e_1_ 3_1_35_2”，“volume-title”：“计算机视觉与模式识别学报”，“author”：“Simonovsky M.”，“year”：“2017”，“unstructured”：“M.Simonovsky and N.Komodakis.2017。图上卷积神经网络中的动态边缘校正滤波器。《计算机视觉和模式识别学报》。3693\u20133702.“}，{”key“：”e_1_3_1_36_2“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Hochreiter和J.Schmidhuber.1997。长短期记忆。神经计算9 8（1997）1735\u20131780.”，“DOI”：“10.1162\/neco.1997.9.8.1735”}，{“key”：“e_1_3_1_37_2”，“volume-title”：“国际人工智能联合会议论文集”，“author”：“Feng X.”，“year”：“2017”，“unstructured”：“X.Feng，J.Guo，B.Qin，T.Liu，Y.Liu.2017”。用于远程监督关系提取的有效深度存储网络。《国际人工智能联合会议论文集》。19\u201325.“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3586164“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2023,4,14]]，“日期时间”：“2023-04-14T12:52:42Z“，”timestamp“：1681476762000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3586164”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：}“date-parts”：[2023,4,14]]}，《references-count》：36，“journal-issue”：{“issue”：“7”，“published-print”：{-“date-pat”rts“：[[2023,8,31]]}}，”alternative-id“：[”10.1145\/3586164“]，”URL“：”http:\/\/dx.doi.org\/10.1145\/3586164“，”关系“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”值“：“1556-4681'，”类型“：”打印“}，{”价值“：”1556-442X“，”类型”：“电子”}]，”主题“：[]，”发布“：{”日期部分“：[2023,4,14]]}，7-30“，”订单“：0，”名称“：”已接收“，”标签“：”接收“，“组”：{“名称”：“publication_history“，”label“：”publication history“}}，”value“：”2023-02-23“，”order“：1，”name“：”accepted“，“label”：“accepted”，“group”：{“name”：“publication_history”，“lable”：“publication-history”}，{“value”：“2023-04-14”，”orders“：2，”name：“published”，”label:“published”，”group“：{”name“”：“publication_histories”，“标签”：“出版物历史”}}}}]}