范金斌，蒋云良，张雄涛

(1.浙江师范大学 数学与计算机科学学院，浙江 金华 321000;2.湖州师范学院 信息工程学院，浙江 湖州 313000)

在智能交通系统中[1]，交通流量预测问题是根据历史交通流量数据、训练模型，并由模型来预测交通流量数值的.当前解决交通流量预测问题的模型采用的是一种深度学习方法，分别设计获取时序特征的神经网络模块和空间特征的神经网络模型，最后给出交通流量预测结果.Yu等较早提出将深度神经网络模型用于预测交通流量，分别采用时序卷积网络和图卷积网络获取时序特征及空间特征[2]；Li等结合扩散过程和时序网络有效处理时空数据[3]；Zheng等提出了深度网络模型[4]；Guo等提出采用深度网络模型设计两个独立的神经网络模块，以分别获取时序特征和空间特征[5];2020年，Huang等提出采用深度结构方法从分离的时序信息和空间信息中获取时空特征，以完成交通流量预测问题[6].虽然越来越多的研究从模型设计角度提高了交通流量预测的准确性，但鲜有研究从数据预处理角度来处理具有复杂时空关系的交通数据[7].

1 相关符号与构造方法的意义

1.1 符号与基本操作

本文需要将路网建模为如图1所示的拓扑图G，其中，监测点作为拓扑图上的结点，监测点间的联系作为拓扑图上的连边.所构建的拓扑图各个顶点的特征x，由包含h个时刻的一段交通流量表示.拓扑图上各结点间的连接关系采用邻接矩阵A表示[2].基于此，h个时刻后的可达矩阵可表示为Ah；……