交通流量预测对智能交通的数字化城市交通管理和城市交通控制具有重要影响。考虑到交通流数据的复杂性和强非线性特性，建立空间相关性和时间动力学模型有助于准确预测交通流。目前许多方法集中在利用观测的历史时间序列信息来提取序列特征，这样的预测会导致信息的缺乏以及预测结果准确性差。本课题中，我们将交叉口流量、道路速度和行驶时间以及与道路网络有关信息共同作为道路网络的约束，并由此提出了一种将多头注意力机制和图神经网络（GNN）相结合的新型神经网络模型（GMHANN）用于交通流预测。在设计中，GMHANN采用编码器-解码器结构。通过编码器，交通流量数据被压缩成隐藏空间，并在解码器中重建输出。此外，还提出了一种基于多头注意力的门控递归单元（GRU）模块（AGRU），有效地捕捉交通流数据所表现出的空间和时间特征，得到准确的预测结果。研究表明，GMHANN模型可高效的用于交通流量预测以及其他时空预测任务。
研究成果以“GMHANN: A Novel Traffic Flow Prediction Method for Transportation Management Based on Spatial-Temporal Graph Modeling”为题发表在交通领域顶级国际期刊《IEEE Transactions on Intelligent Transportation Systems》(IF=8.5，中科院一区Top)上，福建师范大学光电与信息工程学院为第一单位，研究生王庆为第一作者，陈冠楠教授为通讯作者，该工作得到了福建省科技厅项目和中央引导地方科技发展专项资金等项目的资助。
论文链接：https://ieeexplore.ieee.org/document/10234657
