ASTNN深度解析：如何用注意力时空神经网络解决稀疏交通流预测难题

1次阅读

共计 1888 个字符，预计需要花费 5 分钟才能阅读完成。

传统交通流预测模型（如 ARIMA、LSTM）在稀疏数据场景下表现不佳，主要原因包括：

数据缺失问题：道路传感器故障或低覆盖率导致数据连续性差
时空耦合性弱：静态图卷积无法适应交通流的动态时空依赖关系
长期依赖捕捉困难：简单 RNN 结构难以建模跨时段的路况演变规律

以 PeMS 数据集为例，当传感器覆盖率低于 30% 时，传统模型的 RMSE 指标会恶化 40% 以上。

对比当前主流时空预测模型：

模型	动态图构建	注意力机制	计算复杂度
ST-GCN	❌	❌	O(n^2)
GraphWaveNet	✅	❌	O(n^2logn)
ASTNN	✅	✅	O(nlogn)

ASTNN 的核心优势在于：

基于车速相似度的动态邻接矩阵生成
双路注意力机制（时间 + 空间）
轻量化的门控图卷积单元

class DynamicGraphGenerator(nn.Module):
    """
    根据实时车速生成动态邻接矩阵
    Args:
        speed_seq (torch.Tensor): [batch, nodes, time_len]
        k_nearest (int): 构建稀疏图的近邻数
    """
    def __init__(self, k_nearest=5):
        super().__init__()
        self.k = k_nearest

    def forward(self, speed_seq):
        # 计算速度相似度矩阵 [batch, nodes, nodes]
        sim_matrix = torch.cosine_similarity(speed_seq.unsqueeze(2), 
            speed_seq.unsqueeze(1), 
            dim=-1)

        # 保留每个节点的 top- k 连接
        values, indices = torch.topk(sim_matrix, self.k, dim=-1)
        adj = torch.zeros_like(sim_matrix)
        adj.scatter_(-1, indices, values)

        # 对称化处理
        adj = (adj + adj.transpose(1,2)) / 2
        return adj

class SpatioTemporalAttention(nn.Module):
    def __init__(self, channels):
        super().__init__()
        # 空间注意力分支
        self.spatial_att = nn.Sequential(nn.Conv2d(channels, 1, kernel_size=1),
            nn.Sigmoid())

        # 时间注意力分支
        self.temporal_att = nn.Sequential(nn.Conv1d(channels, 1, kernel_size=3, padding=1),
            nn.Sigmoid())

    def forward(self, x):
        # x shape: [batch, channels, nodes, time_len]
        spatial_weights = self.spatial_att(x)  # [batch, 1, nodes, time_len]
        temporal_weights = self.temporal_att(x.mean(dim=2))  # [batch, 1, time_len]

        return x * spatial_weights * temporal_weights.unsqueeze(2)

在 PeMS04 数据集上的对比实验（输入 12 步，预测 3 步）：