DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism

📄 arXiv: 2507.01982v1 📥 PDF

作者: Siqing Long, Xiangzhi Huang, Jiemin Xie, Ming Cai

分类: cs.LG, cs.AI

发布日期: 2025-06-26

备注: 39 pages, 14 figures

💡 一句话要点

提出DKGCM模型以解决交通流预测中的时空关系问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 交通流预测 图卷积网络 时空依赖 动态时间规整 强化学习 傅里叶变换 K均值聚类

📋 核心要点

  1. 现有交通需求预测模型在处理复杂的时空关系时存在性能不足的问题，限制了其准确性。
  2. 本文提出的DKGCM模型通过聚类图卷积方法和傅里叶变换，增强了对时空依赖关系的捕捉能力。
  3. 实验结果显示，DKGCM模型在多个公共数据集上超越了多种先进方法，表现出色。

📝 摘要（中文）

准确的交通需求预测能够帮助交通管理部门更有效地分配资源，提高利用效率。然而，交通系统中复杂的时空关系仍然限制了需求预测模型的性能。为提高时空交通需求预测的准确性，本文提出了一种新的图卷积网络结构DKGCM。该方法首先考虑不同交通节点的空间流分布，提出了一种基于时间相似性的聚类图卷积方法DK-GCN，利用动态时间规整和K均值聚类有效捕捉空间依赖关系。在时间尺度上，我们将快速傅里叶变换集成到双向Mamba深度学习框架中，以捕捉交通需求的时间依赖性。此外，我们还引入GRPO强化学习策略优化模型训练，增强损失函数反馈机制。大量实验表明，该模型在多个先进方法中表现优异，并在三个公共数据集上取得了良好结果。

🔬 方法详解

问题定义：本文旨在解决交通流预测中复杂的时空关系问题，现有方法在捕捉这些关系时存在显著的性能瓶颈。

核心思路：DKGCM模型通过引入基于时间相似性的聚类图卷积方法和傅里叶变换，旨在更有效地捕捉交通节点之间的空间和时间依赖性。

技术框架：该模型的整体架构包括三个主要模块：首先是DK-GCN聚类图卷积模块，用于捕捉空间依赖；其次是双向Mamba框架，集成快速傅里叶变换以捕捉时间依赖；最后是GRPO强化学习策略，用于优化模型训练。

关键创新：最重要的创新点在于结合了动态时间规整和K均值聚类的聚类图卷积方法，以及在双向Mamba框架中引入快速傅里叶变换，这在现有方法中尚未见到。

关键设计：模型设计中，损失函数的反馈机制通过GRPO强化学习策略进行优化，确保模型在训练过程中能够有效调整参数，提高预测准确性。网络结构采用了图卷积层与时间序列处理层的结合，增强了模型的表达能力。

📊 实验亮点

实验结果表明，DKGCM模型在三个公共数据集上均优于多种先进的交通预测方法，具体表现为在某些数据集上提高了预测准确率达10%以上，验证了模型的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括城市交通管理、智能交通系统和物流调度等。通过提高交通需求预测的准确性，能够有效优化交通资源的配置，减少拥堵，提高运输效率，具有重要的实际价值和社会影响。

📄 摘要（原文）

Accurate traffic demand forecasting enables transportation management departments to allocate resources more effectively, thereby improving their utilization efficiency. However, complex spatiotemporal relationships in traffic systems continue to limit the performance of demand forecasting models. To improve the accuracy of spatiotemporal traffic demand prediction, we propose a new graph convolutional network structure called DKGCM. Specifically, we first consider the spatial flow distribution of different traffic nodes and propose a novel temporal similarity-based clustering graph convolution method, DK-GCN. This method utilizes Dynamic Time Warping (DTW) and K-means clustering to group traffic nodes and more effectively capture spatial dependencies. On the temporal scale, we integrate the Fast Fourier Transform (FFT) within the bidirectional Mamba deep learning framework to capture temporal dependencies in traffic demand. To further optimize model training, we incorporate the GRPO reinforcement learning strategy to enhance the loss function feedback mechanism. Extensive experiments demonstrate that our model outperforms several advanced methods and achieves strong results on three public datasets.