学位论文简介
深度学习模型的出现,为挖掘时空交通数据特征面临的挑战提供了有效的高预测准确率方案。然而在实际的预测场景中仍面临复杂的非线性空间关系捕获和时间依赖性提取两大难题。为了解决上述问题，有效的挖掘时空关系，提升预测精度，本文主要开展如下几点工作：
（1）提出了一个基于CRF图卷积的深度学习时空流量预测框架，通过三个长短时空分支分别进行建模，有效的提取长短周期特征，在每一个时空分支中，采用嵌入CRF的图卷积能够更加深入的捕获空间隐藏层的语义相似性，更加精确的提取空间特征，采用一维卷积来捕获时间周期关系，最后通过一个全链接层来对三个分支进行融合。
（2）提出了一个多分枝的CRFAST-GCN框架。每个分支包含一个CFRGCN模型和一个注意力组件。CRFGCN模块捕捉到动态的空间-时间关系，同时保护相似性图卷积隐藏层的信息。强化的注意力组件可以挖掘时间周期波动性依赖，接下来，引入CRF图卷积层来捕捉语义相似性以学习多尺度的交通数据的动态相关性。
（3）提出了一种基于注意力多图的动态时空交通流预测模型 ADMSTGCN。首先将距离图和语义图进行融合，得到的新图包含多种动态空间交互关系，然后通过动态时空单元捕捉多种动态空间动态关系。通过基于注意力机制的多图卷积模型进一步捕获不同邻域之间的交互性关系，以捕捉各种动态和复杂的时空交互关系。
（4）提出了一个基于自适应注意力机制的时空图卷积模型AMSDGR。该模型将多步历史时间信息与基于图的空间信息相结合来挖掘长历史隐藏状态，从而在编解码器结构中实现最的终预测。采用一种新的 RNN 变体算法缓解梯度消失问题的同时，明确地将多步历史时态信息融合为一个时间单位进行输入，通过一个显式嵌入来捕获空间依赖。同时，采用自适应注意力方法捕获动态时空的依赖关系。
主要学术成果
学术论文：
Chunyan Diao, Dafang Zhang*,Wei Liang,Kuan-Ching Li, Yujie Hong, Jean-Luc Gaudiot.A Novel Spatial-Temporal Multi-Scale Alignment Graph Neural Network Security Model for Vehicles Prediction .IEEE Transactions on Intelligent Transportation Systems，2023, 24(1):904-914 (SCI一区，CCF B, 第一作者，已发表)
Chunyan Diao, Dafang Zhang*,Wei Liang, Kuan-Ching Li, Man Jiang.CRFST-GCN: A Deeplearning Spatial-Temporal Frame to Predict Traffic Flow. ICA3PP (1) 2021: 3-17, Xiamen, China.(CCF C, 第一作者，已发表)
Chunyan Diao, Dafang Zhang*,Juan Chen,Yuting Tang, Lijun Xiao . Research on the Application of Time and Space Prediction Method in Traffic Flow Prediction. SmartCloud ,2021:61-66. (EI，第一作者，已发表)
[4] Na Hu, Dafang Zhang, Kun Xie, Wei Liang, Chunyan Diao, Kuan-Ching Li,Multi-range bidirectional mask graph convolution based GRU networks for traffic prediction. J. Syst. Archit. 133: 102775 (2022) . (SCI二区，CCFB第五作者，已发表)
发明专利：
张大方，刁春燕，谢鲲. 一种交通流量预测方法，专利号: CN 112927510, 授权日期: 2021年12月17日
