基于时空Transformer的交通流预测方法结题报告.docVIP

基于时空Transformer的交通流预测方法结题报告

一、研究背景与问题提出

（一）城市交通发展的现实需求

随着城市化进程的加速，全球城市人口数量持续增长，城市交通网络的承载压力日益凸显。据统计，2025年全球城市人口占比已达到56%，预计到2030年这一比例将进一步提升至60%。城市人口的高度集中带来了交通流量的爆发式增长，交通拥堵、出行效率低下等问题成为制约城市发展的重要因素。以中国为例，2025年全国主要城市的平均通勤时间已超过45分钟，部分一线城市的高峰时段拥堵延时指数突破2.0，交通拥堵不仅造成了巨大的经济损失，还加剧了环境污染和能源消耗。

在这样的背景下，精准的交通流预测成为智能交通系统（IntelligentTransportationSystem,ITS）的核心组成部分。通过对交通流量的准确预测，交通管理部门可以提前制定疏导策略，优化信号灯配时，缓解交通拥堵；出行者也能够根据预测结果合理规划出行路线，避开拥堵路段，提高出行效率。此外，交通流预测还对城市交通规划、公共交通调度、自动驾驶等领域具有重要的支撑作用。

（二）传统交通流预测方法的局限性

传统的交通流预测方法主要包括统计模型、机器学习模型等。统计模型如自回归积分滑动平均模型（AutoregressiveIntegratedMovingAverage,ARIMA）、季节性自回归积分滑动平均模型（S