作者：Zheng Yingran, Luo Chao ,Shao Rui

发表期刊：IEEE Transactions on Intelligent Transportation Systems

发表日期：2025年

一、背景

1、城市交通拥堵是重大挑战，精准预测是智能交通系统核心。
2、现有模型局限性：
1）时空建模的分离：现有方法在时空建模上存在分离，未能有效整合时空信息
2）静态邻接矩阵的局限性：传统图卷积模型使用静态邻接矩阵来捕捉空间依赖性，无法反映节点间动态相关性。
3）时空依赖性捕捉不足：大多数方法假设交通流量信息的传播是瞬时的，忽略了节点间信息传播的延迟（如节点1→节点2的流量滞后波动）。

二、创新点

1、延迟感知的空间计算方法：通过设计的图学习模块，将邻近节点间的时间延迟相关性与有向图结合，考虑交通流量传播中的延迟特性。
2、延迟感知有向图注意力模块（DDGA）：通过空间延迟感知结果精细调整图注意力机制中的节点关系，动态适应交通流量的空间传播。
3、多尺度时空模块：基于延迟感知计算，设计了交替使用时间门控卷积和空间自适应图卷积的模块，增强对时空数据的建模能力。
4、实验验证：在四个真实世界的交通数据集上验证了模型的有效性，结果表明DPSTGC能够高效捕捉时空信息，性能优异。

三、延迟传播时空图卷积网络（DPSTGC）

(a)为DPSTGC的总体框架，由多个st块和一个输出层模块组成。
(b)为st块模块的内部细节，包括延迟感知的有向图注意(DDGA)、自适应图卷积网络(AGCN)等;
(c)是时序门控卷积结构(TGC)，描述了TGC的运行过程。
(d)表示一种自适应图学习算法，利用节点嵌入学习动态调整图卷积模块内的空间结构。
(e)是输出层模块，它由一个将节点表示映射到输出空间的卷积结构组成。

四、实验设置

数据集名称：PEMS03、PEMS04、PEMS07、PEMS08
数据来源：这些数据集均来自加州交通性能测量系统（Caltrans Performance Measurement System，简称PEMS）。
数据特点：
1）原始数据以30秒为间隔实时收集，并聚合成5分钟间隔，因此每小时有12个数据点。
2）数据集包含不同路段的交通流量信息，反映交通流量在不同时间和地点的变化情况。
3）数据集的空间邻接矩阵是基于实际道路网络构建的，用于表示不同传感器（节点）之间的拓扑关系。
数据预处理：为了确保数据的一致性和可比性，论文中对数据进行了零均值归一化处理。

基准测试范围：论文将其与八种现有的代表性模型进行了对比，DCRNN、STGCN、ASTGCN、GraphWaveNet、STSGCN、STFGNN、AGCRN、SCINet。
性能指标：
1）MAE（Mean Absolute Error）
定义：平均绝对误差，用于衡量预测值与真实值之间的平均偏差。
特点：MAE对所有误差一视同仁，适合衡量整体预测精度。
2）RMSE（Root Mean Squared Error）
定义：均方根误差，用于衡量预测值与真实值之间的误差平方的平方根。
特点：RMSE对较大的误差更为敏感，能够突出模型在极端情况下的表现。
3）MAPE（Mean Absolute Percentage Error）
定义：平均绝对百分比误差，用于衡量预测值与真实值之间的相对误差。
特点：MAPE以百分比形式表示误差，能够更好地反映模型在不同量级数据上的表现。

五、实验结果

结果表明，DPSTGC在PEMS07和PEMS08数据集上表现出优异的性能，优于所有基线方法。然而，在PEMS03和PEMS04数据集上，DPSTGC在一些指标上不及SCINet。

为了进一步证明DPSTGC的优越性，上面的表格比较了DPSTGC和SCINet在四个数据集上的参数数量。
结果表明，DPSTGC在所有数据集上都比SCINet具有更少的参数，在PEMS07和PEMS08数据集上减少了一个数量级。这表明DPSTGC具有更轻量的参数结构，需要更少的存储和计算资源。

六、总结

性能表现：DPSTGC在PEMS07和PEMS08数据集上表现优于所有基线模型，但在PEMS03和PEMS04数据集上略逊于SCINet。
参数数量：DPSTGC的参数数量显著少于SCINet，尤其是在PEMS07和PEMS08数据集上，参数数量减少了近一个数量级。这表明DPSTGC具有更轻量的参数结构，计算效率更高。
时空建模能力：DPSTGC通过引入延迟传播特性和自适应图卷积网络，能够更有效地捕捉交通流量的时空依赖性，从而提高预测精度。