交通需求预测是时空预测领域的核心任务，因其在交通运输系统中的重要性而受到越来越多的关注。近年来，多种时空图神经网络(Spatio-Temporal Graph Neural Network, STGNN)方法相继提出，并取得显著成效。然而，现有多数方法依赖单一时间片内预定义或自学习的图结构，限制了其捕捉跨多个时间片的联合时空相关性能力，同时忽略了这些相关性随时间动态演变的特性。为克服上述局限，研究人员提出了一种新颖的时空同步自适应图神经网络(Spatio-Temporal Synchronous Adaptive Graph Neural Network, STSAGNN)。该模型通过构建同步动态图，同时自适应地捕捉联合且动态的时空相关性。此外，为有效控制计算复杂度并保留详细时序信息，研究人员将序列划分为子序列，并从中提取片段嵌入(patch embedding)。STSAGNN具有高度通用性，不仅能准确预测区域流入(in-flow)与流出(out-flow)，还能可靠预测任意区域对之间的起止(Origin-Destination, OD)流。研究人员在四个真实数据集(NYCTaxi、NYCBike、HZMetro、SHMetro)上进行了广泛评估，实验结果表明，STSAGNN在流入、流出及OD流预测方面均显著优于当前最先进的方法，充分验证了其在交通需求预测中的优越性能。
研究背景方面，城市化进程推动了公共交通系统的快速扩张，包括地铁、网约车和共享单车等，但不均衡的资源分配仍严重影响运输服务效率。准确的交通需求预测能够帮助运营方将资源精准配置到高需求区域，从而提高整体利用率，减少出行时间并提升企业收益。当前交通需求预测面临复杂的时空依赖性，包括同一时间片的空间关联、跨时间片的时序依赖，以及跨时间与空间的联合效应。传统方法多采用卷积神经网络(CNN)处理网格数据，或基于预定义图的图神经网络(GNN)处理非欧几里得空间数据，但这些静态图依赖先验知识，难以适应潜在动态变化。自适应图虽能动态学习，但多数仍局限于单一时间片建模，未能有效捕捉联合时空效应。此外，区域间空间相关性会随时间演化，例如早高峰住宅区至商业区的强联系在晚间减弱，这种动态性对预测精度有重要影响。
关键技术方法方面，研究人员提出了STSAGNN模型，核心包括三个创新模块。首先，双向门控片段嵌入(Bidirectional Gated Patch Embedding)根据时间相关性动态调整OD对的权重，捕捉动态语义模式。其次，同步自适应图构建(Synchronous Adaptive Graph Construction)利用时间感知模式和当前时空特征，构建全局同步图以显式捕捉跨时间片关联，并通过动态图融合机制响应交通状态变化。最后，时空增强GRU解码器(Spatio-Temporal Enhanced GRU Decoder)利用完整时空嵌入进行多步预测，缓解误差累积并提升长期预测稳定性。实验基于四个真实数据集(NYCTaxi、NYCBike、HZMetro、SHMetro)验证模型性能。
研究结果方面，在“Spatio-temporal forecasting”部分，研究明确了交通需求预测包含流入、流出及OD流三类任务，并指出STGNN已成为主流框架。在“Preliminaries”中，定义了区域(Region)和图(Graph)概念，区域为兴趣区域内不重叠的子区域，图由节点集V（代表区域）和边集E组成，边权反映区域间关联强度。在“Methodologies”中，详细阐述了STSAGNN的整体结构与各模块设计原理。在“Experiments”中，通过五组实验分别验证了模型性能优势、组件贡献、参数影响、计算消耗及同步时空相关性捕捉能力。在“Discussion”中，分析了模型的实践意义与局限性，指出其推理时间和内存效率高，适合实际硬件部署，但在区域数量大幅扩展时可能面临数据稀疏挑战。在“Conclusion”中，总结了STSAGNN通过时空同步自适应图(STSAG)同时捕捉联合与动态时空相关性的优势，能够高精度预测流入、流出及OD流。
讨论与结论部分，研究人员强调STSAGNN在保持低计算开销的同时实现了高精度预测，具备良好的可扩展性。模型通过同步图捕捉跨时间片关联，通过动态图融合机制适应交通状态的实时变化，从而在多种交通模式下均表现优异。该研究发表于《Neurocomputing》，为交通需求预测提供了一种高效且通用的解决方案，对提升城市交通资源配置效率具有重要意义。
Kai Liu与Shengwu Xiong的研究得到了国家重点研发计划(2022ZD0160604)、国家自然科学基金(62176194)及湖北省重点研发计划(2024BAB030)的支持。
