基于GCN和Transformer的交通流量预测方法研究.pdf

摘要

交通系统作为现代城市的动脉，承载着数百万人的日常通勤与出行需求，其重

要性不言而喻。而交通流量预测，作为智能交通系统的核心技术，更是广泛应用于

各类交通管理场景。然而，交通流量预测面临着一个核心挑战，那就是如何有效地

对交通数据中复杂多变的时空相关性进行精准建模。近年来，随着城市化的加速推

进，现代城市交通管理面临着前所未有的挑战。传统的机器学习模型在面对日益复

杂的时空信息交通流量数据时，往往显得捉襟见肘，难以满足实际应用的需求。因

此，研究者们开始将目光投向深度学习模型，以期通过其强大的特征提取能力，更

好地捕捉交通流量数据中的时空信息。

本文聚焦于如何设计高性能的交通流量预测模型，以应对日益复杂的交通流

量预测任务。通过深入研究深度学习在交通流量预测领域的应用，我们力求为现代

城市交通管理提供更加精准、高效的解决方案：

（1）针对传统GCN模型局限捕捉于静态的空间信息，对时间信息利用不够

等缺陷，本文提出一种新颖的基于GCN的交通流量预测模型MAGCN。MAGCN

通过MAGG模块多尺度生成邻接图来捕捉不同流量序列之间的相互依赖性，更好

地适应高度动态的空间位置关系。NAL来捕捉节点之间的相互依赖性并减少参数

量，通过MDF来捕捉流量序列之间的时间依赖性。与现有方法相比，MAGCN获

得了更好的精度。

（2）针对传统Transformer模型捕捉局部信息的能力弱，时间复杂度高等缺

陷，本文提出一种新颖的基于Transformer的交通流量预测模型MALTFormer。

MALTFormer首先通过DataEmbedding层不同的嵌入方式，将时空信息嵌入输入

到模型，然后通过融合多种尺度的邻接矩阵，挖掘更深层的空间信息，此外为了控

制时间复杂度，挖掘深层信息。本文使用ST模块将空间注意力控制在一定范围的

邻域内进行空间信息的挖掘学习，对于时序信息，本文发现将其分解为奇偶序列之

后，仍能保持和原序列相似的趋势，因此本文使用三种序列一起学习，此外为了防

止时序数据的累积误差，本文将时间注意力也控制在邻域内，具体的STLayer层使

用滑动窗口+空洞的方式来捕捉不同尺度的时空信息。与现有的方法相比，

MALTFormer有更好的预测精度。

（3）在本文前两个工作内容的基础上设计并实现了智慧城市交通流预测可视

化系统ICTFS。该系统主要由用户界面、后台业务处理、数据管理三大部分组成。

功能层面划分包括用户管理模块、交通流量查询功能模块、交通流量预测模型训练

功能模块和交通流量预测功能模块。此外，本文并对ICTFS各个功能模块的业务

流程进行了详细的流程设计，并根据功能设计和业内目前的主流技术，对ICTFS

进行了实现，经过各方面测试，系统功能完善。最终的ICTFS，具有反应迅速、功

能完善、系统框架功能扩展性强、交互性强、界面简便友好等特点。

关键词：交通流量预测，Transformer，图神经网络，时空数据

ABSTRACT

Asthearteryofamoderncity,thetransportationsystemcarriesthedailycommuting

andtravelneedsofmillionsofpeople,anditsimportanceisself-evident.Asthecore

technologyofintelligenttransportationsystems,Trafficflowpredictioniswidelyusedin

varioustrafficmanagementscenarios.However,oneofthecorechallengesoftrafficflow

predictionishowtoeffectivelyandaccuratelymodelthecomplexandvariable

spatiotemporalcorrelationsintrafficdata.Inrecentyears,withtheaccelerationof