由我院左开中教授和研究生王蕊等人完成的一篇关于时空图神经网络交通状态预测的研究成果：“MTNet: A Multi-task Learning Framework that Integrates Intra-task and Task-specific Dependencies for Traffic Forecasting”被数据挖掘领域顶级期刊IEEE Transactions on Knowledge and Data Engineering录用并在线发表（论文链接：http://doi.org/10.1109/TKDE.2025.3638147），左开中教授为通信作者，安徽师范大学为论文的第一作者单位与第一通讯作者单位。

交通状态预测旨在利用历史交通数据、道路网络信息以及外部环境因素预测未来一段时间内道路的交通流量、速度、拥堵程度等关键指标。现有交通流预测方法局限于分别预测交通流量和交通速度，无法挖掘交通流量和交通速度之间的时空相关性。为解决上述问题，本文提出了一种基于多任务学习的时空图神经网络交通状态预测模型（其框架如下图所示）。该模型首先使用位置感知编码器，通过整合局部和全局位置编码以及多任务相关性交互模块，实现多个尺度上的空间位置信息嵌入，并动态识别不同任务之间的关键信息，从而显著增强交通特征的表示能力。接着，基于增强的交通特征，时间敏感解码器利用多头时间注意力机制捕捉复杂的时间依赖关系，同时通过时变空间图和空间依赖聚合模块建模动态的空间特征。最后，预测模块基于编码器-解码器提取的时空特征，为每个任务生成各自的预测结果。在三个真实交通数据集上的实验结果表明，该模型在预测交通流量和速度时，不仅显著提升了预测精度，还在计算资源消耗与模型性能之间实现了良好平衡。

IEEE Transactions on Knowledge and Data Engineering是数据挖掘领域顶级国际期刊、中国计算机学会（CCF）推荐的A类国际期刊、中科院一区Top期刊，最新影响因子为10.4。