引用信息：王立增, 程诗奋, 杨一涛, 王培晓, 陆锋. 局部-全局联合感知的时空自适应交通集成预测方法[J]. 测绘学报, 2026, 55(2): 206-221.

Lizeng WANG, Shifen CHENG, Yitao YANG, Peixiao WANG, Feng LU. LGA-EL: a spatio-temporal adaptive ensemble method with local-global awareness for traffic prediction[J]. Acta Geodaetica et Cartographica Sinica, 2026, 55(2): 206-221.

原文链接：

http://xb.chinasmp.com/CN/10.11947/j.AGCS.2026.20250340

在复杂交通场景中，不同预测模型在不同空间区域和时间段的表现存在显著差异，单一模型难以稳定适应多样化的预测需求。现有集成学习方法通过融合多模型优势以提升预测稳定性，但通常依赖全局固定或局部最优的集成策略，忽略了全局时空相关性和时空异质性对模型集成过程的协同约束，从而限制了模型的预测性能和泛化能力。为此，本文提出了一种局部-全局上下文联合感知的时空自适应交通集成预测方法，在全局时空相关性和时空异质性的协同约束下自适应优化集成参数，充分发挥多个预测模型的时空互补优势。在交通流量、交通速度的短期和长期预测任务上的实验表明，本方法在预测精度和计算效率方面均优于6种主流的集成预测方法。进一步的可解释性分析表明，本文方法能够精准捕捉不同交通状态下的模型性能差异，通过自适应的集成权重发挥不同模型的优势，显著增强集成学习在交通预测任务中的性能与稳健性。

本方法LGA-EL的整体框架如图1所示。首先，选取时空图卷积神经网络（STGCN）、扩散卷积循环神经网络（DCRNN）和图多注意力网络（GMAN）作为方法的基模型，这些模型从不同的建模视角为集成策略提供多样化的输入特征。其次，在局部-全局时空感知模块中，局部感知分支编码交通图的空间拓扑结构，学习图节点的局部特征表示；全局感知分支编码状态波动特征，学习图节点的全局特征表示。通过多尺度时空融合层，实现交通图节点的局部特征和全局特征的有效融合，从而生成图节点的时空感知向量，进而实现集成过程中时空相关性与时空异质性的协同精确表达。然后，时空自适应加权模块根据感知向量动态计算各基模型在不同时空位置的自适应集成权重和集成偏置，实现基模型集成参数的自适应优化。最后将基模型的输出特征进行加权集成，得到最终的集成预测结果。

本文采用武汉市交通车流量数据集TR-Wuhan和加利福尼亚州交通速度数据集PEMS07(M)，论证LGA-EL的适用性和有效性。图3展示了不同集成方法的预测误差对比图（图3），与主流集成学习方法相比，提出方法在两套实验数据集上分别取得了2.100%~4.382%、1.740%~4.146%的百分比提升，并且随着预测时间步的增加，基模型建模视角的差异性逐渐增加，LGA-EL的精度提升更为明显。即便在单一模型预测表现差距很大的情况下，与其他集成方法相比，LGA-EL可获得比其他基模型都优秀的准确率和泛化能力。这说明LGA-EL能够有效发挥基模型在不同交通状态下的优势，并且具备良好的稳定性。

为了验证LGA-EL在集成过程中时空相关性与时空异质性建模的有效性，在中国武汉市交通流量数据集TR-Wuhan上，研究选取了一天中凌晨（2:00-6:00）、早高峰（6:00-9:00）、白天交通流拥堵（9:00-17:00）和晚高峰（17:00-21:00）四个时间段。以节点148为分析案例的目标节点，研究计算了各时间段目标节点与其他节点的时空感知向量的余弦相似度，将各时间段向量余弦相似度大于0.8的图节点视为该目标节点的相关节点。各时段相关节点的空间分布和一天24h的交通流量如图4所示。

通过分析各时段相关节点的空间分布可以发现，目标节点的相关节点随时间动态变化，这说明LGA-EL能够捕捉异质空间中图节点间动态的关联关系，有效建模集成过程中基模型表现的时空异质性。此外，在真实地理空间中，除了处于空间邻近和同一路段的相关节点外，LGA-EL能够从全局视角捕捉到较远距离的节点关系，这些节点呈现与目标节点相似的时序状态。总的来说，LGA-EL通过局部信息与全局上下文信息的整合学习，构建的时空感知向量能够有效反映集成过程中图节点间的全局时空相关性和时空异质性。