我们很高兴地宣布，我们近期的期刊论文“TSFusion：用于稳定交通流量预测的多粒度时空图学习框架”已于 2026 年 4 月在《IET Communications》期刊上发表。
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.
论文链接：https://doi.org/10.1049/cmu2.70150
摘要
随时间变化的交通流量预测在智能交通系统与智慧城市中扮演着至关重要的角色。然而，动态交通流量预测是一个具有复杂时空依赖性的高度非线性问题。尽管现有方法在挖掘复杂交通网络中的时空模式方面做出了巨大贡献，但它们未能对全局时空模式进行编码，并且容易对预先定义的地理相关性产生过度拟合，从而阻碍了模型在复杂交通环境中的鲁棒性。为了解决这个问题，在本研究中，我们提出了 TSFusion，这是一个多粒度时空图学习框架。该框架通过精心设计的门控融合单元与残差连接技术，将图变换器 (Graph Transformer) 编码器所获得的全局时空模式，与图卷积 (Graph Convolution) 所获得的局部模式进行自适应增强与融合。在这种情况下，我们提出的模型能够挖掘各个监测站之间隐藏的全局时空关系，并平衡局部与全局时空模式的相对重要性。实验结果证明了我们提出的方法具有强大的表征能力，并且我们的模型在各种真实世界的交通网络中，始终优于其他强大的基准模型（在平均绝对误差 MAE 上提升超过 11.5%）。
研究团队成员
香港珠海学院
- 卢苇麟教授 (Prof. Wai Lun Lo)，资讯科学系教授兼系主任
- 熊体超博士 (Dr. Richard Tai Chiu Hsung)，资讯科学系副教授
- 曾锡豪博士 (Dr. Harris Sik-Ho Tsang)，资讯科学系助理教授
- 朱禹林博士 (Dr. Tony Yulin Zhu)，资讯科学系助理教授
- Zhenan Lin，资讯科学系
香港理工大学
- Kai Zhou，电子计算学系助理教授
- Yuni Lai，电子计算学系博士后研究员
- Xiaoyu Xue，电子计算学系博士生
一些关于学术论文的照片
图 1： 具有不同功能的区域。普通的时空局部信息传递机制无法捕捉长距离相似节点之间潜在的地理连接（虚线）。
图 2： 交通图数据中的空间异质性。交通图中具有不同功能的节点往往具有截然不同的交通流量模式。
