近日，实验室2022级硕士生李晓宇一篇论文“Adaptive Traffic Forecasting on Daily Basis: A Spatio-Temporal Context Learning Approach”（作者：李晓宇，张仪天，龙国栋，胡宇鹏，鹿文鹏，陈勐，张成奇，宫永顺）被CCF A类期刊IEEE Transactions on Knowledge and Data Engineering (TKDE) 录用，影响因子为 8.9。TKDE是国际人工智能数据挖掘顶尖和权威学术期刊之一。

交通预测在构建智能交通系统中发挥着关键作用，能够提供重要的决策依据。现有的交通预测方法基于一个核心假设：大规模数据集中存在隐式不变的时空模式。然而在实际场景中，交通模式极易受到诸多不可预测的外部因素影响，例如政策调控及气候变化等。由于这些外生变量具有动态变化特性，交通网络的时空模式随之发生改变，从而影响预测模型的性能。因此，亟需以快速自适应方式重新构建交通预测模型。为应对这一挑战，本研究提出一种自适应时空上下文学习框架ASTCL。该框架利用数十个传感器采集的单日交通数据，通过构建交通网络中目标区域的自适应时空上下文，并基于语义相似性生成动态序列图，有效哦提升了预测精度。其中，自适应上下文机制有效聚合可用数据中的有效信息，动态图结构则揭示了交通特征的演变趋势。进一步地，ASTCL引入联合卷积与注意力机制，从多维度建模复杂的时空关联关系。在四个真实数据集上的大量实验表明，ASTCL展现出卓越的快速适应能力，其预测性能显著优于其他方法。