交通预测的“上帝视角”来了！用“超图神经网络”理解多模态交通流，精度飙升！

随着城市交通系统的日益复杂，如何精准预测多种交通模式（如出租车、共享单车）的流量变化，已成为智慧交通管理的核心挑战。尽管图神经网络在单模式交通预测中表现出色，但在多模态场景下面临高阶空间依赖建模不足、数据稀疏性与随机波动等难题

小马不会过河

1270人浏览 · 2025-12-08 13:34:37

小马不会过河 · 2025-12-08 13:34:37 发布

随着城市交通系统的日益复杂，如何精准预测多种交通模式（如出租车、共享单车）的流量变化，已成为智慧交通管理的核心挑战。尽管图神经网络在单模式交通预测中表现出色，但在多模态场景下面临高阶空间依赖建模不足、数据稀疏性与随机波动等难题。本次为大家带来数据库领域顶级期刊TRC2025的文章《Joint prediction and understanding of multimodal traﬃc ﬂow with a bidirectional temporal dynamic spatial hypergraph neural network model》。

一. 背景

多模交通流预测在实时交通调度、出行需求管理和智能城市运营中具有广泛应用。传统方法通常基于统计模型或深度学习模型，但大多局限于单一交通模式，无法有效建模多模式间的复杂交互。具体而言，多模交通系统呈现出多维、多层次的时空动态特性，例如地铁停运可能立即影响出租车和共享单车的流量。此外，不同交通模式的数据分布存在差异，共享单车等模式在部分区域流量稀疏，导致预测精度下降。现有研究虽尝试通过多图神经网络融合多模信息，但仍存在三大挑战。挑战****1：如何有效捕捉多模交通流中的高阶非成对空间依赖关系？传统图结构仅能表示二元关系，难以建模多个节点间的复杂关联。挑战****2：如何设计动态空间依赖学习机制以适应交通流的时序演化？静态图无法反映时空关联的动态变化。挑战****3：如何缓解多模交通数据稀疏性和随机波动对预测性能的影响？稀疏模式（如共享单车）的预测易受噪声干扰。

为解决上述挑战，论文提出了一种双向时序动态空间超图神经网络模型（BiT-DSHGNN），用于多模交通流的联合预测。针对挑战1，论文引入超图建模，通过超边同时连接多个异构节点，有效捕获多模交通中的高阶空间关联。针对挑战2，论文设计了动态超图神经网络（DHGNN），结合预定义拓扑超图和动态语义超图，分别学习全局静态和局部动态的空间特征。针对挑战3，论文提出了双向时序门控网络（BTGN），整合双向时序卷积网络（BiTCN）和双向门控循环单元（BiGRU），融合历史与未来上下文信息，抑制随机波动。

二. 方法介绍

2.1 总体框架

BiT-DSHGNN的整体架构如图1所示，主要包括嵌入块、多层时空块（ST-layer）和输出层。嵌入块融合多模交通流数据和时序位置信息（如一天内时间和周内日期），生成时序感知的输入特征。时空块由动态超图神经网络（DHGNN）和双向时序门控网络（BTGN）组成，实现空间和时序特征的双阶段提取与共享。最终，输出层通过全连接网络预测未来多模交通流。

图1 BiT-DSHGNN整体框架

• 时序位置信息嵌入：论文对一天内时间切片和周内日期进行独热编码，并与原始交通流数据通过卷积层融合，生成嵌入特征。公式如下：

F=ConV(XMt-P+1:t)+Conv(Ed)+Conv(Es)

其中，XMt-P+1:t为过去𝑃个时间步的多模交通流数据，Ed和Es分别为日期和时间片段的编码。

• 动态超图神经网络（DHGNN）：该模块构建两类超图以捕获高阶空间依赖。预定义拓扑超图基于区域功能相似性（如住宅区、商业区）通过聚类生成，捕捉全局静态关联；动态语义超图通过K近邻算法（KNN）实时构建，反映时序演化的局部关联。超图卷积通过节点-超边特征传递学习复杂空间关系。

• 双向时序门控网络（BTGN）：该模块进一步处理DHGNN提取的特征，通过BiTCN和BiGRU融合双向时序信息。BiTCN通过扩张卷积捕获多粒度局部模式，BiGRU通过门控机制建模短期动态，共同提升对复杂时序依赖的建模能力。

2.2 预定义拓扑超图

为捕捉功能相似区域间的全局空间关联，论文基于美国智能位置数据库提取64个交通相关属性（如人口密度、就业密度、道路网络长度等），构建区域特征向量。通过余弦相似度和K均值聚类将区域划分为12个簇，每个簇作为一个超边，形成预定义拓扑超图HT。公式如下：

HT= Kmeans(f)

其中，𝑓为区域特征向量。该超图编码了区域间稳定的语义关联，例如不同区域的学校功能区在交通流上表现出相似模式。

2.3 动态语义超图

为捕获时序演化的空间依赖，论文基于多模交通流嵌入特征𝐹，对每种流量类型（如出租车流入/流出、共享单车流入/流出）计算区域间余弦相似度，并通过KNN算法构建动态超图。具体地，对每个区域，选择top-K相似区域形成超边，生成个多关系超图，其关联矩阵表示为公式如下：

2.4 超图卷积与特征融合

对预定义超图和动态超图分别进行超图卷积，提取拓扑特征𝐹𝑡和语义特征𝐹𝑠。公式如下：

其中，𝐷𝑣和𝐷𝑒分别为节点度和超边度矩阵，𝑊为权重矩阵，Θ为可学习参数。为平衡共享特征和模态私有特征，论文采用门控融合机制：

该机制自适应调整特征贡献权重，避免高密度模式主导低密度模式。

2.5 双向时序门控网络（BTGN）

BTGN由BiTCN和BiGRU组成，进一步提取双向时序特征。BiTCN通过前向和后向时序卷积捕获长期周期模式，公式如下：

TF(X)=F-TCN(X)

TB(X)=Flip(B-TCN(Flip(X)))

T(X)=TF(X) +TB(X)

BiGRU通过双向门控循环单元建模短期动态：

DF(X) =F-GRU(X)

GB(X) =Flip(B-GRU(Flip(X)))

G(X)=GF(X) +GB(X)

最终，时序特征与空间特征融合，通过全连接层输出预测结果。

三. 实验

3.1 实验设置

数据集：论文使用四个真实多模数据集：NYC-Taxi、NYC-Bike、CHI-Taxi和CHI-Bike，覆盖纽约和芝加哥的出租车和共享单车订单记录。数据聚合为30分钟或60分钟间隔，分别包含65和77个交通区域。此外，使用单模数据集SD（San Diego）进行对比。

基线：包括传统方法（HA、LSTM）、单模预测模型（STGCN、Graph WaveNet、ASTGCN、AGCRN、BigST、PatchSTG）和多模预测模型（STMRGNN、CoGNN、EAST-Net、GSABT）。

评价指标：采用平均绝对误差（MAE）、均方根误差（RMSE）和皮尔逊相关系数（PCC）。

**实验环境：**Intel i9-12900KF CPU、NVIDIA RTX 3090 Ti GPU，模型训练批大小32，学习率0.0001，迭代100轮。

3.2 性能对比分析

如表1所示，BiT-DSHGNN在四个数据集上均取得最优性能。以NYC-Taxi和NYC-Bike为例，BiT-DSHGNN的MAE、RMSE和PCC分别为15.2414、24.8037、0.9677和6.0462、10.0432、0.9474，在四个数据集上均取得全指标最优表现，MAE/RMSE有明显下降。多模预测模型整体优于单模模型，表明跨模态信息共享的有效性。特别地，对于稀疏模式（如NYC-Bike），多模预测提升更为明显，MAE相对最佳单模模型降低37.41%，印证了稠密模式对稀疏模式的增益效应。

表1 BiT-DSHGNN与基线模型在四个数据集上的对比

3.3 消融实验

为验证各模块贡献，论文设计了六种消融变体：w/o-BiTCN（移除双向时序卷积）、w/o-BiGRU（移除双向GRU）、w/o-DHGCN（移除动态超图卷积）、w/o-HGCN（移除预定义超图）、w/o-inter（移除模态间关系）、w/o-intra（移除模态内关系）。实验结果如表2所示，移除任一模块均导致性能下降，其中动态超图卷积和双向时序模块影响最大，证实了其核心作用。

表2 BiT-DSHGNN与消融变体在NYC数据集上的对比

3.4 多模与单模预测对比

论文进一步对比了多模和单模预测性能。在NYC数据集上，将BiT-DSHGNN改为单模版本S-BiT-DSHGNN，并将最佳单模模型PatchSTG扩展为多模版本M-PatchSTG。实验结果如表3所示，原生多模BiT-DSHGNN性能最优，而M-PatchSTG未能显著提升，表明简单融合机制难以有效捕捉多模交互。S-BiT-DSHGNN在稳定时段表现良好，但在波动时段性能下降，凸显多模建模的必要性。

表3 多模与单模预测在NYC数据集上的对比

3.5 双向时序网络分析

为验证双向时序网络的有效性，论文比较了BiT-DSHGNN和单向版本UniT-DSHGNN。如图2所示，BiT-DSHGNN在高波动区域（如曼哈顿市中心）的RMSE改善更为显著，表明双向结构能有效平滑随机波动，提升预测稳定性。

图2 双向与单向时序网络在NYC数据集上的RMSE改善对比

四．总结

论文提出了一种新颖的多模交通流联合预测框架BiT-DSHGNN，通过超图神经网络建模高阶空间依赖，并结合双向时序门控网络捕捉动态时序特征。实验表明，该框架在真实数据集上实现了最先进的预测精度，有效缓解了数据稀疏性和随机波动问题。主要贡献包括：（1）引入超图建模多模交通系统，表征“区域-功能-模式”的多级耦合本质；（2）设计双向时序网络，通过数据反转和融合增强对稀疏模式的表征能力；（3）揭示了城市交通系统中时空交互的级联传播机制。未来工作将探索融合外部因素（如天气、事件）的交通知识超图，进一步提升预测可解释性和鲁棒性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述