基于时空图卷积的交通预测模型结题报告.docVIP

基于时空图卷积的交通预测模型结题报告

一、研究背景与问题提出

（一）智能交通系统发展需求

随着城市化进程的加速，全球城市机动车保有量持续攀升，交通拥堵、事故频发、环境污染等问题日益严峻。据《2025年全球交通拥堵报告》显示，全球主要城市平均通勤时间较2015年增加了18%，高峰时段拥堵导致的经济损失占GDP比重超过3%。智能交通系统（IntelligentTransportationSystem,ITS）作为解决城市交通问题的核心方案，通过整合物联网、大数据、人工智能等技术，实现交通流的实时感知、智能分析与精准管控，而交通流量预测是ITS的关键基础模块。

精准的交通预测能够为交通管理部门提供决策依据，例如动态调整信号灯时长、优化交通管制策略；为出行者提供实时路径规划，减少出行时间；同时也能支撑自动驾驶车辆的路径决策与流量调度，提升交通系统整体运行效率。

（二）传统交通预测方法的局限性

传统交通预测方法主要包括时间序列分析、统计模型和机器学习方法。时间序列分析方法如ARIMA、SARIMA等，基于历史数据的线性拟合进行预测，但难以捕捉交通流的非线性、周期性和突发性特征。统计模型如卡尔曼滤波、回归分析等，依赖于严格的假设条件，对复杂交通场景的适应性较差。

机器学习方法如支持向量机（SVM）、随机森林（RF）等，虽然能够处理非线性数据，但大多仅考虑时间维度的相关性，忽略了交通网络中