近日，我校夏大文教授以第一作者（凯里学院第一单位）在人工智能领域国际TOP期刊《Engineering Applications of Artificial Intelligence》（中科院1区，TOP期刊，IF = 8.0）发表题为“DRL-ED: A Deep Reinforcement Learning with Encoder–Decoder Method for Traffic Flow Prediction” 的研究论文。

该研究针对传统交通流量预测方法难以同时建模动态拓扑结构和捕捉长距离时空依赖性等问题，提出一种基于深度强化学习面向编码器-解码器的交通流量预测方法（DRL-ED）。具体的是，编码器-解码器架构由注意力机制、GRU网络和CorrGCN网络组成。首先，注意力机制有助于GRU网络和CorrGCN网络高效捕捉时空关系，以提高交通流预测的鲁棒性、准确性和实时性。其次，GRU网络（含有短期和长期记忆单元）有助于提取不同时间尺度上的时间相关性并同时考虑短期波动与长期趋势，以有效预测交通流量变化。接着，CorrGCN网络有助于挖掘本地和全局信息以获取不同位置之间的交通流关系，并基于逐步传播信息的多个图卷积层聚合节点特征以提取空间相关性。最后，基于DDPG算法自动学习和更新动态邻接矩阵，使得CorrGCN网络能够根据不同时期或场景下的流量数据自适应调整邻接矩阵，以捕获图数据的时空相关性。

一审：陈烦

二审：王翔

三审：王小波

编辑：陆莉镅