摘要：道路信息与当前道路的流量模式息息相关,丰富的POI(Point of Interest)语义可以揭示一个地区的属性,人口数据可以揭示一个地区的人口流量趋势。在时空预测中考虑以上外部空间特征对流量带来的影响,可以帮助模型完成更精准的预测。现有的外部空间建模方法通常针对输入的外部空间特征,经过神经网络映射学得空间相关语义表示,再与最终的时空流量表示融合。然而,由于流量表示和空间特征之间具有异构性,已有的外部空间特征建模方法往往扩展性不高,只能针对特定外部空间特征或特定时空模型。为解决以上问题,提出了一种针对外部空间特征的通用建模框架SCFNet(Spatial Context Fusion Network for Traffic Forecasting)。具体而言,引入基于信息交互的注意力机制,在时空表示和外部空间特征之间计算注意力分数,从而实现外部空间特征和时空表示的高效融合;同时,设计了一种时间向量动态编码方式,以生成动态的空间特征语义。SCFNet采用模块化设计,能够与各类最新的时空流量预测网络结合。SCFNet支持区域人口数据、道路信息、POI等不同空间静态特征的混合输入。在3个真实交通数据集上进行了实验,实验结果表明,SCFNet可显著提高各类最新时空预测方法(如MTGNN,ASTGCN,GraphWaveNet)的预测精度。