基于图神经网络的城市车辆轨迹数据预测与应用.pdfVIP

摘要

智能交通系统（ITS）在协助城市交通管理中发挥重要作用，并且是智慧城市的主要

部分。交通速度预测是智能交通系统的核心功能，当前交通速度预测在交通预测领域是

热门研究的课题。然而，由于交通速度数据规模大以及时空特征不确定性强，并且还有

大量的外部因素影响交通速度的预测，因此道路交通速度预测性能存在较大优化空间。

为了进一步优化交通道路车辆行驶速度预测的性能，在分析大规模实时行驶车辆轨迹数

据的基础上构建新的城市道路车辆行驶速度数据集，并且完成以下三项研究内容：

（1）提出一个新的交通道路速度预测模型（ST-RSP），利用图卷积网络和全局注

意力模块提取数据的局部和全局空间特征；通过分段循环神经网络模块来学习交通速度

数据的动态变化并捕获时间特征；最后以KAN(Kolmogorov-ArnoldNetworks)为核心实现

时空特征的有效融合。ST-RSP模型克服了典型图神经网络长程节点依赖性和多层节点过

压缩的局限性，能够有效提取更丰富准确的路网拓扑结构特征；另外分段循环神经网络

模块和特征融合模块降低预测模型的复杂性，不仅提高推理速度，而且优化预测精度。

实验中使用美国洛杉矶高速公路数据集和南京城市道路数据集来验证，其中南京城市道

路数据集是