交通-2：Traffic Forecasting | 考虑交通帧的时空异质性 | 通过提取动态邻接矩阵来描述动态时空相关性 | 交通流预测，阅读文章合集（2

本文综述了多篇关于交通流量预测的研究，重点探讨了如何利用深度学习技术，特别是图神经网络（GNN）和循环神经网络（RNN），来捕捉交通数据的时空相关性。研究普遍指出，交通流量预测面临的主要挑战包括多时间相关性、复杂空间相关性和高度异质性。为解决这些问题，各研究提出了不同的模型架构。例如，ST-3DDMCRN 模型通过三维 Densenet 和多尺度 ConvLSTM-Resnet 网络捕捉局部和远距离的时空信息；MGCN-WOALSTM 模型结合多通道图卷积网络和鲸鱼优化算法，提升了预测精度；STAGCN 模型则通过自适应图生成块捕捉静态和动态路网结构。此外，GTA 框架利用图嵌入技术和注意力机制，有效整合了多传感器数据的时空依赖性；DTC-STGCN 模型则通过动态邻接矩阵和注意力机制，捕捉了交通数据的动态时空特征。总体而言，这些研究通过创新的深度学习架构，显著提升了交通流量预测的准确性，为智能交通系统的实现提供了有力支持。

前情提要：

• 交通-1：traffic flow forecasting | 基于异构图卷积网络的交通流预测 | 利用异构时空图卷积网络预测电动汽车充电需求 | 交通流量预测，阅读文章合集（1）

一、检索2

关键词：

Traffic