论文基本信息
英文标题：MAST-GNN: A multimodal adaptive spatio-temporal graph neural network for airspace complexity prediction


中文译名：MAST-GNN：一种用于空域复杂度预测的多模态自适应时空图神经网络


作者：Biyue Li, Zhishuai Li, Jun Chen, Yongjie Yan, Yisheng Lv, Wenbo Du 


期刊：Transportation Research Part C: Emerging Technologies (这是一本在交通领域认可度很高的顶级期刊)


发表年份：2024年 (卷160, 文献编号: 104521) 


DOI：10.1016/j.trc.2024.104521 (DOI是文献的唯一标识符，通过它可以在网上精确定位到这篇论文)


?? 论文摘要速览
这篇论文提出了一种名为MAST-GNN的新型深度图学习框架，用于预测空域复杂度。其核心贡献在于：


多模态自适应图卷积：设计了一个模块来有效学习空域扇区网络中多样化的空间关系（如地理相邻、航路连接等），并能根据数据自适应地调整不同空间模式的影响 。


动态时序模式捕捉：开发了一个结合了扩张因果卷积和多步自注意力机制的时序模块，可以同时捕捉空域复杂度中的短期和长期动态变化规律，实现更长期的准确预测 。


实验验证：基于中国国内空域的实况数据进行的实验表明，MAST-GNN在不同预测时域上的表现均超越了现有方法 。