基于图神经网络的交通流预测研究综述.docVIP

基于图神经网络的交通流预测研究综述

交通流预测是智能交通系统的核心支撑技术之一，其通过对历史交通数据的分析建模，实现对未来时段路网流量、速度、密度等参数的精准预判，为交通信号控制、路径诱导、拥堵治理等应用提供决策依据。传统交通流预测方法多基于时间序列分析或浅层机器学习模型，难以有效捕捉路网的空间拓扑关联与复杂时空依赖特征，随着城市交通路网规模的持续扩张与交通数据的爆发式增长，此类方法的预测精度已逐渐无法满足实际应用需求。图神经网络作为一种专门处理非欧氏空间数据的深度学习技术，能够自然适配交通路网的图结构特性，通过信息传播机制刻画节点间的空间关联，与时序建模模块结合后可高效挖掘交通流的时空演化规律，近年来已成为交通流预测领域的主流研究方向。

交通流预测的核心挑战与图神经网络的适配性

交通流数据本质上是典型的时空序列数据，其预测任务面临三重核心挑战：其一，空间异质性，即不同路段的交通流特性受道路等级、周边土地利用、人口分布等因素影响存在显著差异，同一交通事件对不同位置路段的影响程度各不相同；其二，时空依赖性的动态变化，交通流的时间相关性并非固定不变，高峰时段与平峰时段的时序关联模式存在明显区别，且路段间的空间影响强度会随交通状态、天气条件、时间周期等因素动态调整；其三，数据的复杂噪声与缺失问题，交通传感器数据易受设备故障、通信干扰、极端天气等因素影响，存在大量缺失值与异常值，进一步加大