近日，福州大学数字中国研究院（福建）邬群勇研究员团队在人工智能应用领域Engineering Applications of Artificial Intelligence（中科院1区top期刊，IF8.0）、Applied Soft Computing（中科院2区，IF6.6）、Neurocomputing（中科院2区，IF6.5）和IEEE Sensors Journal（中科院3区，IF4.5）等期刊连续发表系列交通预测研究成果。论文均以福州大学为第一署名单位，第一作者为2025级博士研究生杨仕煜，通讯作者为指导教师邬群勇研究员。

系列论文针对多交通系统中的流量预测难题，提出了解耦多时空融合图卷积循环网络（DMFGCRN）模型、时空双尺度交互网络SDSINet模型、多尺度时间增强图卷积循环网络MTEGCRN模型和通用解耦图卷积循环网络GDGCRN模型。

解耦多时空融合图卷积循环网络（DMFGCRN）模型突破了传统方法的两大局限：一是提出动态嵌入图学习器，生成时变邻接矩阵以捕捉空间依赖的时间演变特性。传统方法依赖静态预定义图或固定自适应图，无法反映交通网络的动态变化特性。DMFGCRN通过融合历史信息和当前状态，动态调整节点间的空间连接关系，使模型能够适应不同时段的交通模式变化。二是设计多层渐进式架构，显式分离稳态与非稳态交通信号。交通数据既包含可预测的周期性模式（稳态信号），也包含突发事件引起的异常波动（非稳态信号）。DMFGCRN创新性地将这两类信号分解建模：稳态路径捕获日常规律性模式，非稳态路径处理异常扰动，最终通过自适应融合机制整合预测结果。这种解耦策略显著提高了模型在突发事件下的鲁棒性。在高速公路、城市共享单车等多类型交通场景中展现了良好的泛化能力。

图 1 DMFGCRN的总体架构

时空双尺度交互网络SDSINet模型，通过隐式时间嵌入和奇偶下采样机制实现多尺度时空交互学习。

MTEGCRN模型首次打破图卷积网络共享参数范式，为每个节点分配独特参数空间和时间周期特征，实现节点个性化建模。

通用解耦图卷积循环网络GDGCRN模型构建通用解耦框架，通过传感器特定机制和信号解耦策略处理多种交通预测任务。

该系列研究成果从信号解耦、时空交互、节点个性化等多个维度系统性地推进了交通预测方法论的发展，为构建更加精准、高效和鲁棒的智能交通系统奠定了坚实的理论和技术基础，对智能交通管理、城市规划、应急响应等领域具有重要应用价值。

论文引用：

[1] Yang, S., Wu, Q., & Li, M. (2026). Decoupled multi-spatio-temporal fusion graph convolutional recurrent network for traffic prediction. Engineering Applications of Artificial Intelligence, 163, 112956. https://doi.org/10.1016/j.engappai.2025.112956

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0952197625029872

[2] Yang, S., & Wu, Q. (2025). SDSINet: A spatiotemporal dual-scale interaction network for traffic prediction. Applied Soft Computing, 112892. https://doi.org/10.1016/j.asoc.2025.112892

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S1568494625002030

[3] Yang, S., & Wu, Q. (2025). MTEGCRN: Multi-scale temporal enhanced graph convolutional recurrent network for traffic prediction. Neurocomputing, 131064. https://doi.org/10.1016/j.neucom.2025.131064

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0925231225017369

[4] Yang, S., Huang, Z., Wu, Q., & Zhuo, Z. (2025). General decoupled graph convolutional recurrent network for traffic prediction. IEEE Sensors Journal. https://doi.org/10.1109/JSEN.2025.3580440

论文链接：https://ieeexplore.ieee.org/document/11048409