近日，实验室2022级硕士李晓宇一篇论文“Dual-track Spatio-temporal Learning for Urban Flow Prediction with Adaptive Normalization”（作者：李晓宇，宫永顺，刘伟，尹义龙，郑宇，聂礼强）被CCF A类期刊Artificial Intelligence 录用，影响因子为14.4。Artificial Intelligence是国际人工智能领域顶尖和权威学术期刊之一。

精准的城市流量预测对于智慧城市的交通规划和管理至关重要。最近，时空学习方法在交通流量预测方面取得不错进展，但大多数方法未能充分考虑真实场景的复杂时空语义信息。现有模型主要存在以下三个主要限制，一是大多数模型将整体时间信息投影到相同的特征空间中，忽略了不同时段的语义差别；二是现有方法倾向于从局部（如周围环境）捕捉空间依赖性，而忽略了全局影响因素；三是时空序列的动态性和不稳定性会对预测结果造成扰动，从而导致模型性能下降。为了解决以上问题，我们提出了一个双轨时空学习模块，用于精确的城市流量推断。该方法同时建模时序的周期性和趋势性，可有效区分时间维度上的语义信息，同时利用自监督学习方法建模全局空间特征，并采用时空自适应归一化来降低扰动，提升预测结果的稳定性。我们在两个典型的城市流量数据集上进行了广泛的评估，实验结果表明我们的方法具有出色的性能和稳定性。