近日，福州大学数字中国研究院（福建）研究团队围绕智能交通系统、演化交通网络持续学习和蜂窝通信网络资源调度等方向，在IEEE Internet of Things Journal（中科院计算机科学1区Top期刊，JCR Q1，IF 8.7）、Information Processing & Management（中科院计算机科学1区Top期刊，JCR Q1，IF 8.1）和IEEE Transactions on Network and Service Management（中科院计算机科学2区，JCR Q1，IF 5.7）等连续发表系列成果。相关论文以福州大学为第一研究单位，2025级博士研究生杨仕煜为第一作者，邬群勇研究员为指导教师和通讯作者。
系列论文面向城市运行中交通流量与通信流量预测的关键难题，针对网络拓扑持续演化以及持续学习过程中的灾难性遗忘等挑战，提出分布与聚合持续学习框架DAA，演化交通网络持续学习框架EVOLVE以及站点感知图注意力序列网络SGA-Seq。研究从演化交通网络、长期路网更新层面系统推进了时空智能预测方法的发展。
分布与聚合持续学习演化交通网络框架DAA
DAA方法聚焦真实交通网络持续演化带来的持续学习问题。随着道路网络中新增节点不断出现、交通模式持续变化、网络拓扑逐步扩展，时空图神经网络需要在适应新数据和保留历史知识之间取得平衡。DAA从系统分析出发，提出distribution与aggregation两项原则：前者强调在多层网络结构中分布式配置适配能力，以捕获不同层级的演化动态；后者通过张量列车分解压缩适配器参数，控制模型规模随网络扩展带来的增长。
在实现层面，DAA在基础时空图神经网络中引入带可学习重要性权重的轻量化适配器，并利用张量分解实现层级参数压缩，使模型能够顺序学习多期交通数据流，同时缓解灾难性遗忘和重复训练成本过高的问题。多年度交通数据实验表明，该方法在预测精度、泛化能力和计算效率方面均具有良好表现，为演化路网下的参数高效持续学习提供了新的技术路径。
图 1 DAA论文
演化交通网络持续学习框架EVOLVE
EVOLVE框架进一步面向长期演化道路交通网络中的持续预测任务。研究团队通过对PeMS-D3和PeMS-D4两个加州高速公路子网络的多年度、多月份数据进行分析，发现交通网络演化具有空间集中性和时间模式层级可压缩性：网络变化往往集中在少量节点区域，交通时间序列则呈现显著周期性和信息冗余。基于上述观察，EVOLVE提出自适应子图学习、双路径时间编码和参数－模式－数据协同知识保持机制。
具体而言，自适应子图学习用于定位演化区域并约束模型更新范围，从而降低计算复杂度；双路径时间编码用于捕捉显式周期模式并压缩时间特征，提高处理效率；知识保持系统则从参数、模式和数据三个层面缓解连续演化过程中的灾难性遗忘。在PeMS-D3和PeMS-D4数据集上，EVOLVE相比强基线TEAM分别取得6.75%和8.07%的MAE改进，并实现19倍训练加速和25倍GPU显存降低。
图 2 EVOLVE论文
站点感知图注意力序列网络SGA-Seq
SGA-Seq模型面向蜂窝通信流量预测任务，针对基站流量中周期特征复杂、空间异质性强和异常信号难以稳定捕捉等问题，构建了站点感知的图注意力序列预测框架。该模型通过可学习的多尺度时间嵌入刻画不同时间粒度下的流量变化规律，通过站点感知图注意力网络建模基站之间的复杂空间关系，并利用逐层残差修正机制分离常规模式与异常扰动，从而提升蜂窝通信流量预测的准确性和稳定性。
实验结果表明，SGA-Seq在五类不同规模的数据集上均表现出较强的泛化能力，覆盖蜂窝流量、移动性流和通信数据等多种场景。其中，在V-GCT数据集上，该方法相较于竞争基线在均方根误差指标上取得8.04%的提升，体现出其在复杂通信网络流量预测中的应用潜力。
图3 SGA-Seq论文
该系列研究成果不仅提升了复杂城市运行场景下模型的预测精度、计算效率和鲁棒性，也可为智能交通管理、通信网络资源调度、城市规划、应急响应和公共服务资源配置等应用提供理论基础和技术支撑。
论文引用：
[1] Yang, S., Wu, Q., & Fan, C. (2026). Distribution and Aggregation: Continual Learning Principles for Evolving Traffic Networks. IEEE Internet of Things Journal.
[2] Yang, S., Guo, H., Fan, C., Wu, Q., Li, M., & Zhao, Z. (2027). EVOLVE: A Continual Learning Framework for Evolving Traffic Networks. Information Processing & Management, 64(1), 104974.
[3]Yang, S., Wu, Q., Huang, Z., & Zhuo, Z. (2026). SGA-Seq: Station-Aware Graph Attention Sequence Network for Cellular Traffic Prediction. IEEE Transactions on Network and Service Management, 23, 2652-2665.
