计算机工程与应用

作者：邹龙, 杨东, 王以松, 金玉堂

单位：1.六盘水师范学院 计算机科学学院，贵州 六盘水 553000；2.贵州大学 计算机科学与技术学院，贵阳 550025；3.贵州大学 公共大数据国家重点实验室，贵阳 550025；

关键词：交通流量预测,图神经网络（GNN）,结构熵,实时预测,熵权法

基金：国家自然科学基金（62376066，62261034）；贵州省科技计划项目（MS［2026］743，MS［2026］749，QN［2025］257，MS［2025］103）；六盘水市科技计划项目（52020-2024-GK-02）；六盘水师范学院一流本科专业建设项目（LPSSYylzy2304）；贵州省高校人文社会科学研究项目（2025RW106）。

针对现有大多数时空模型由于邻接矩阵静态固定、难以实时反映交通流动态变化特性，以及在节点数量较多时，因依赖注意力机制、多阶图卷积或复杂动态邻接矩阵计算，导致计算复杂度高等问题，提出了一种结合基于结构熵和熵权法构建的路网权重可学习矩阵、ChebNet和一维卷积的实时交通流量预测模型——EWM-ChebNet。在该模型中，路网权重可学习矩阵作为ChebNet的邻接矩阵参与模型训练，动态捕捉公路路网的空间特征，挖掘节点间的关联性与流量分布特征；利用一维卷积网络进一步挖掘交通流量数据的时间特征和变化规律；通过全连接层得到预测结果。在美国加州高速公路公开数据集PeMS04、PeMS08和PeMS03上进行实验。结果表明，模型通过基于结构熵和熵权法构建的路网权重可学习矩阵，能够有效捕捉路段间的动态空间关系，提高模型表达能力和预测精度。并且通过切比雪夫多项式近似简化图卷积运算，能够减少计算量，同时优化矩阵操作和参数量，提高训练速度。在三组数据集上相比于MSTGCN和AFSTGCN等基准模型均方根误差、平均绝对误差和平均绝对百分比误差平均降低25.47%、24.42%和43.41%，7.69%、5.08%和18.18%，训练时间平均降低了72.45%和6.04%。

来源：2026年第7期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第7期