研究背景与核心挑战
城市交通流预测是智慧城市建设的核心技术。传统方法难以统一建模跨尺度特征：城市级全局演变趋势与局部邻域传导机制。
GDLP-Net通过双分支协同架构，同时捕捉全局动态规律和局部流入-流出传导关系，实现了精度与可解释性的平衡。
双分支协同架构
全局动态分支
采用ConvLSTM递归处理整个特征序列，通过输入门、遗忘门和输出门更新细胞状态，捕捉城市级长时序演变规律。
生成全局注意力图 Wglobal，反映全局视角下各区域对未来预测的重要性
局部注意力分支
显式模拟局部邻域内的车流传导过程，通过多尺度局部注意力（k=3,5,7）捕捉不同速度和距离的传导效应。
距离衰减偏置公式：
B_{x,y} = expleft(-frac{Delta x^2 + Delta y^2}{(k-1)^2}ight)
全局上下文调制
采用基于残差的调制机制，将全局信号作为门控调节局部特征，实现跨尺度信息融合。
F_{fused} = W_{local} odot (1 + sigma(W_{global}))
实验数据集
| 数据集 | 城市 | 时间跨度 | 时间粒度 | 网格大小 | 外部特征 |
|---|---|---|---|---|---|
| TaxiBJ | 北京 | 2013-2016 | 30 min | 32 × 32 | 天气、节假日 |
| BikeNYC | 纽约 | 2014 (182天) | 1 h | 16 × 8 | 节假日 |
| TaxiNYC | 纽约 | 2014 (1年) | 15 min | 15 × 5 | 天气 |