近期，韩士元课题组在国际上提出了一个时空融合图卷积神经网络（Spatial-Temporal Fuison Graph Convolution Network, STFGCN），并取得重要研究成果。相关成果以“STFGCN: Spatial-temporal fusion graph convolutional network for traffic prediction”为题，发表于国际期刊Expert Systems With Applications（中科院一区TOP/JCR Q1, 影响因子：7.5）。所提出的模型能够准确地挖掘交通数据中的动态时空相关性，从而显著提升模型的预测性能，为智慧交通系统的优化提供更可靠的技术支撑。
时空融合图卷积网络的框架图
在研究中提出了一种时空融合图卷积网络（STFGCN），由多尺度融合卷积模块（MSFC）和空间自适应融合卷积模块（SAFC）构成。
1. 本研究设计了一个多尺度融合卷积（MSFC）模块，该模块能够从包含语义信息的子序列中提取多尺度时间特征，并通过融合这些特征来有效捕捉潜在的动态时间相关性。这一模块通过利用不同尺度的卷积核，能够捕捉从短期到长期的时间依赖性，从而为交通预测提供了更为丰富的时间特征。
2. 提出了一个空间自适应融合卷积（SAFC）模块，该模块通过结合周期性和最近一致性来构建动态自适应图，从而揭示空间相关性，并增强对空间依赖性的全面建模。SAFC模块的设计使得模型能够适应交通网络中节点间动态变化的关系，这对于捕捉复杂的空间相关性至关重要。
3. 在五个公开的真实世界高速公路数据集上进行了广泛的实验，验证了所提出的STFGCN模型的有效性。实验结果表明，STFGCN在降低均方根误差（RMSE）方面优于现有的最先进基线模型，性能提升幅度达到了1.2%至16.4%。这一显著的性能提升证明了STFGCN在捕捉交通流中的动态时空过程方面的优越性，为城市交通管理和路线规划提供了强有力的支持。
（撰稿：潘珍珍；审核：韩士元；责任编辑：白琨）
