近日，由我院左开中教授等人完成的一篇关于长期交通流预测的研究成果：“TADGCN: A Time-Aware Dynamic Graph Convolution Network for long-term traffic flow prediction”被计算机科学领域顶级期刊Expert Systems With Applications录用。

交通流预测是智能交通系统的重要组成部分，对交通管理和日常出行具有重大影响。虽然短期交通预测已显示出良好的前景，但长期预测仍面临着独特的挑战。现有的短期方法在长期场景中表现不佳，主要原因有两个：(1) 忽略了对动态空间依赖中内在关联的建模，(2) 提取长期时间依赖关系而不深入捕获时间信息。为了解决上述问题，本文提出了一种名为时间感知动态图卷积网络（Time-Aware Dynamic Graph Convolution Network ，TADGCN）的模型，以有效地执行长期交通流预测。TADGCN 使用注意力驱动的动态自适应图卷积网络 (ADAGCN) 模块捕获动态空间依赖关系之间的潜在交互特征。由于构建了时间感知矩阵，时间感知联合多视图时间编码器 (TJMTE) 模块可以有效增强时间感知能力。本文在三个真实世界的交通流数据集（England、PEMS04 和 PEMS08）上进行了多样化实验，以评估TADGCN的性能。结果表明，与 16个现有较为先进的同类基线模型相比，TADGCN在所有情况下都实现了最佳准确率。TADGCN模型主要架构见图1。成果论文题目为“TADGCN: A Time-Aware Dynamic Graph Convolution Network for long-term traffic flow prediction”，我院左开中教授为通信作者，研究生汪晨为论文第一作者，安徽师范大学计算机与信息学院为第一完成单位。

Expert Systems With Applications期刊为计算机科学领域顶级期刊，2023-2024最新影响因子为7.5，在2023年12月最新升级版的中科院SCI期刊分区中位列“计算机科学”领域的一区，Top期刊，在2022年《中国计算机学会推荐国际学术会议和期刊目录》中属于CCF-C类，该成果论文目前已在ScienceDirect网站上在线刊登：https://www.sciencedirect.com/science/article/pii/S0957417424020013?via%3Dihub。