编辑推荐：
为解决现有方法在长时多步交通流预测中的精度与计算效率问题，研究人员开展了基于图神经网络（GNN）的多尺度时空预测研究。通过构建包含静态路网拓扑与动态传感器数据的OSTEU数据集，并引入尺度空间表示法处理非均匀时间序列，实现了长达72小时的多分辨率预测（5分钟至3小时）。结果表明，合成邻接矩阵可替代人工构建矩阵且不显著降低性能（MAE/MAPE误差相当），预处理（如EWMA滤波）使预测精度提升超4倍。该框架为城市交通管理与物流规划提供了高效实用的解决方案。
在城市脉搏日夜不息的跳动中，交通流如同血液般维系着现代都市的生命力。然而，准确预测这条流动的脉络却始终是智慧城市建设的核心挑战。传统预测模型如自回归综合移动平均（ARIMA）和支持向量机（SVM）往往在应对长时跨、多步骤的预测任务时显得力不从心，而深度学习方法虽展现出潜力，却受限于计算资源（如GPU显存）难以直接进行长达三天的高分辨率（如5分钟间隔）预测。更棘手的是，现实中的数据往往支离破碎——传感器故障、传输中断或数据格式不统一，使得构建可靠的预测模型雪上加霜。面对这一困境，Axel Schaffland与Julius Sch?ning（IEEE高级会员）在《IEEE Access》上发表的研究，提出了一种创新的多尺度图神经网络框架，旨在打破硬件枷锁，实现从几分钟到三天的高效精准交通流预测。
为开展研究，团队首先构建了专属的OSTEU数据集，包含德国奥斯纳布吕克市74个红外交通传感器（Traffic Eye Universal）记录的558天静态路网拓扑与动态车辆计数数据。关键技术方法包括：1）采用多尺度时间金字塔（5分钟、15分钟、60分钟、180分钟）压缩数据维度；2）基于时空自监督学习（ST-SSL）架构的图神经网络，处理非均匀时间序列；3）利用合成邻接矩阵（Asynth）替代传统人工构建矩阵；4）通过指数加权移动平均（EWMA）滤波预处理原始数据；5）设计非重叠分块策略划分训练/验证/测试集以避免数据泄露。
多尺度表示
研究创新性地将图像金字塔思想应用于时间序列，构建了四层时间尺度（5分钟、15分钟、1小时、3小时）。近未来时段（如2小时内）采用高分辨率（5分钟）预测，远时段（如第2-3天）采用低分辨率（3小时）预测。历史数据则围绕关键时间点（如当前时刻t0、前1-3天及前7天）保留高分辨率，距离越远分辨率越低。该方法将时间序列转换为非均匀间隔的扁平化结构，在保证预测实用性的同时显著降低了计算负载。
合成邻接矩阵的替代性
实验发现，使用全连接合成矩阵Asynth（除对角线为0外全为1）替代人工绘制的邻接矩阵后，在NYCBike、NYCTaxi等公开数据集及OSTEU数据集上，平均绝对误差（MAE）和平均绝对百分比误差（MAPE）均无显著差异。这表明GNN能够自主学习节点间的空间关联，无需依赖先验路网知识，极大简化了预处理流程。
单步与多步预测性能
在单步预测任务中，预处理对模型收敛至关重要：未滤波的OSTEU
1数据集MAE高达44.14，而经EWMA（窗口60分钟）滤波后的OSTEU数据集MAE降至9.15。在多步预测任务（OSTEU
multi）中，模型成功预测79个非均匀时间点（最长72小时），其MAE（18.75）与单步预测基准结果相近，证明多步扩展未牺牲精度。
讨论与意义
研究揭示了交通预测中的关键洞察：其一，路网空间连接性可能并非GNN学习的必要条件，合成矩阵的可行性为其他领域（如社交网络、生物信息学）的图模型应用提供了新思路；其二，预处理（如滤波）对模型性能的影响甚至超过网络结构本身，MAE/MAPE等指标需结合数据质量评估；其三，多尺度架构突破了硬件限制，使长时预测具备现实可行性。此外，单网络多任务设计避免了多模型融合的复杂性。
该研究的成功不仅推动了时空预测领域的算法进步，更为城市基础模型（Urban Foundation Models, UFM）的构建提供了关键技术支撑。未来，通过融入天气、特殊事件等元数据，或结合停车占用率、共享交通需求等多模态信息，这一框架有望成长为更强大的城市智能决策系统，最终实现“数字孪生城市”的动态感知与调控。
