《Neural Networks》：DADiffNet: Delay-Aware Diffusion Networks with Adaptive Subgraphs for Large Scale Traffic Forecasting
編輯推薦：
基于增量交通流量建模和自適應子圖采樣策略，DADiffNet有效捕捉上游觸發與下游延遲擴散，在八大數據集上MAE等指標提升8.04%-8.40%，并降低計算復雜度。
范玉杰|陳靜|徐文強|彭偉民
杭州電子科技大學計算機科學與技術學院，中國杭州，310018
摘要
快速的城市擴張和不斷增長的交通需求使得準確的交通預測變得越來越重要。然而，僅依賴于絕對流量值的方法往往無法明確捕捉到上游引發的擾動及其在下游的延遲傳播。為了解決這個問題，我們提出了延遲感知擴散網絡（DADiffNet），該網絡從兩個互補的角度重新定義了時空耦合：交通流量增量和自適應子圖結構。DADiffNet利用時間差異來模擬高頻擾動，從而能夠明確學習觸發-響應關系和節點間傳播延遲。同時，一種自適應的局部子圖采樣策略能夠以接近線性的計算復雜度高效地編碼大規模拓撲結構。在八個真實世界數據集上的實驗表明，DADiffNet的表現始終優于十五個強大的基線模型，分別在MAE、RMSE和MAPE上實現了8.04%、7.65%和8.40%的平均提升。此外，DADiffNet還減少了內存消耗，在準確性、效率和可解釋性之間提供了更好的平衡，適用于大規模交通預測。
引言
快速的城市化和車輛擁有量的持續增加使得交通流量預測成為智能交通系統中的一個關鍵組成部分（Boukerche等人，2020年；Musa等人，2023年）。準確的交通預測對包括城市規劃、交通信號控制、動態路線引導和擁堵收費在內的各種應用都有顯著影響，最終提高了道路安全和出行體驗（Khan和Ivan，2023年）。
近年來，深度學習方法，特別是時空圖神經網絡（Jin等人，2023年），在這一領域取得了顯著進展（Rahmani等人，2023年）。圖卷積有效地捕捉了傳感器之間的拓撲依賴性，而循環網絡和自注意力機制則模擬了時間依賴性。利用這些技術的代表性模型包括基于ARIMA的Chen和Lai（2011年）統計基線模型、長短期記憶網絡及其變體、集成拓撲信息的MTGNN（Gao等人，2022年）以及采用多維自注意力機制的STAEformer（Liu等人，2023年）和DTRformer（Chen等人，2025b年）。盡管取得了顯著的成功，但在大規模實際應用場景中仍存在兩個根本性挑戰。
交通變化在節點間的傳播延遲難以明確建模。現實世界的交通模式顯示出明顯的上游觸發和下游延遲響應（Mao等人，2025年；Zhang等人，2024年；Zhu等人，2025年）。如圖1所示，上游節點的突然交通增加通常會在幾分鐘后影響到下游節點。主流的時空圖神經網絡通常基于靜態拓撲或數值相似性建立鄰接關系，并直接使用節點處的原始交通值作為輸入（Gao等人，2023年；Wang，2023年）。這種方法未能充分表示觸發-響應關系及其傳播延遲。此外，僅依賴交通相似性會忽略那些數值差異顯著但趨勢一致的門節點對，從而限制了模型捕捉交通變化趨勢的能力。
在交通預測中，一個節點的狀態不僅受其直接相鄰節點的影響，還受整個網絡更廣泛結構背景的影響。盡管圖卷積可以有效地表示拓撲依賴性，但其計算和存儲復雜度會隨著節點數量的增加而呈二次方增長（Buterez等人，2025年）。對于節點數為N、卷積層數為L的網絡，單層計算成本從O(LN2)增加到O(TLN2)，其中T是模擬的擴散步數。在許多情況下，GNN中的擴散過程會對那些交通相關性微不足道或不存在的節點對進行冗余計算，這在大型數據集（如LargeST）上經常導致內存溢出錯誤。去除圖卷積以降低計算成本會顯著削弱對拓撲結構的建模能力。因此，在保持拓撲表達能力的同時抑制計算和存儲開銷，仍然是大規模交通預測中的一個關鍵瓶頸。
為了解決這些挑戰，本文提出了一種輕量級且高效的模型DADiffNet，它改進了子圖選擇和增量交通傳播延遲的建模，從而為非常大的網絡提供準確且可解釋的預測結果。我們的主要貢獻如下：
(i) 提出了一種基于交通增量的延遲感知建模方法，將建模重點從絕對交通量轉移到增量變化上。該方法通過混合卷積-注意力模塊明確學習了節點間的延遲交互，增強了交通趨勢的表示能力。
(ii) 引入了一種考慮拓撲結構的子圖機制，采用了一種可學習的局部子圖采樣策略。該策略在每一層動態選擇最具信息量的鄰域，顯著降低了計算復雜度，而不依賴于傳統的擴散假設。
(iii) 在八個不同規模的真實世界數據集上進行了廣泛的實驗，充分證明了該模型的有效性。結果突顯了所提出組件對預測性能的顯著影響。
本文的其余部分結構如下：第2節回顧了相關工作。第3節提供了問題定義和DADiffNet架構的詳細信息。第4節報告了實驗設置和結果，第5節以討論結束。
相關工作
早期交通預測方法主要依賴于傳統的統計模型和經典的機器學習技術（Ma等人，2020年）。諸如ARIMA和VAR之類的模型通過統計假設捕捉時間依賴性。隨后，包括支持向量機和K最近鄰在內的數據驅動方法出現，以解決非線性問題。然而，這些傳統方法在模擬復雜的時空關系時面臨顯著的限制（
問題定義
給定一個由圖表示的有向加權交通網絡，其中表示傳感器或道路段節點的數量，E表示邊集，是歸一化的鄰接矩陣。時間步長t的交通特征由表示，其中C包括觀測到的特征，如交通流量、速度和占用率。任務是學習一個映射函數：方程1旨在預測交通狀態
實驗
本節介紹了在八個交通數據集上進行的實驗，以評估所提出的DADiffNet的性能。首先描述了使用的數據集、基線方法和實驗設置。隨后，對DADiffNet和基線方法進行了全面比較。最后，通過消融研究探討了各種組件和訓練策略的貢獻。所有模型都在NVIDIA RTX A6000 GPU上實現。代碼可在以下鏈接獲取：(
//github.com/STLabHdu/DADiffnet結論
受交通流量擴散動態的啟發，本文介紹了一種輕量級的圖神經網絡DADiffNet，它明確地模擬了延遲傳播，并解決了大規模網絡的可擴展性問題。通過關注增量交通流量而非絕對值，該模型有效地捕捉了上游觸發與下游反應之間的延遲響應模式。
此外，所提出的局部子圖采樣技術能夠高效地重建關鍵信息
CRediT作者貢獻聲明
范玉杰：撰寫——原始草稿、可視化、驗證、方法論、形式分析、數據整理、概念化。陳靜：撰寫——原始草稿、方法論、資金獲取、概念化。徐文強：撰寫——審稿與編輯、可視化、驗證。彭偉民：撰寫——審稿與編輯、可視化、驗證。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文報告的工作。
致謝
本工作部分得到了中國國家自然科學基金（項目編號2024YFB3310803和62572160）和浙江省科技計劃項目（項目編號2025C01065和2023C01147）的支持。
