TSFusion：用於穩定交通流量預測的多粒度時空圖學習框架

我們很高興地宣佈，我們近期的期刊論文「TSFusion：用於穩定交通流量預測的多粒度時空圖學習框架」已於 2026 年 4 月在《IET Communications》期刊上發表。

Zhenan Lin, Yuni Lai, Wai Lun Lo, Tai-Chiu Hsung, Harris Sik-Ho Tsang, Xiaoyu Xue, Kai Zhou, and Yulin Zhu, “TSFusion: Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting,” IET Communications, 2026.

論文連結：https://doi.org/10.1049/cmu2.70150

摘要

隨時間變化的交通流量預測在智慧交通系統與智慧城市中扮演著至關重要的角色。然而，動態交通流量預測是一個具有複雜時空依賴性的高度非線性問題。儘管現有方法在挖掘複雜交通網絡中的時空模式方面做出了巨大貢獻，但它們未能對全局時空模式進行編碼，並且容易對預先定義的地理相關性產生過度擬合，從而阻礙了模型在複雜交通環境中的穩健性。為了解決這個問題，在本研究中，我們提出了 TSFusion，這是一個多粒度時空圖學習框架。該框架透過精心設計的閘門融合單元與殘差連接技術，將圖轉換器 (Graph Transformer) 編碼器所獲得的全局時空模式，與圖卷積 (Graph Convolution) 所獲得的局部模式進行自適應增強與融合。在這種情況下，我們提出的模型能夠挖掘各個監測站之間隱藏的全局時空關係，並平衡局部與全局時空模式的相對重要性。實驗結果證明了我們提出的方法具有強大的表徵能力，並且我們的模型在各種真實世界的交通網絡中，始終優於其他強大的基準模型（在平均絕對誤差 MAE 上提升超過 11.5%）。

研究團隊成員

香港珠海學院

• 盧葦麟教授 (Prof. Wai Lun Lo)，資訊科學系教授兼系主任
• 熊體超博士 (Dr. Richard Tai Chiu Hsung)，資訊科學系副教授
• 曾錫豪博士 (Dr. Harris Sik-Ho Tsang)，資訊科學系助理教授
• 朱禹林博士 (Dr. Tony Yulin Zhu)，資訊科學系助理教授
• Zhenan Lin，資訊科學系

香港理工大學

• Kai Zhou，電子計算學系助理教授
• Yuni Lai，電子計算學系博士後研究員
• Xiaoyu Xue，電子計算學系博士生

一些關於學術論文的照片

圖 1： 具有不同功能的區域。普通的時空局部訊息傳遞機制無法捕捉長距離相似節點之間潛在的地理連接（虛線）。

圖 2： 交通圖數據中的空間異質性。交通圖中具有不同功能的節點往往具有截然不同的交通流量模式。