基于图神经网络的交通速度预测与路网状态估计研究报告.docVIP

基于图神经网络的交通速度预测与路网状态估计研究报告

一、交通预测与路网状态估计的现实需求与传统方法局限

（一）智能交通系统发展的核心诉求

随着城市化进程的加速，全球城市交通拥堵问题日益严峻。据2024年《全球城市交通拥堵报告》显示，全球主要城市的平均通勤时间较2019年增加了15%，交通拥堵造成的经济损失占GDP的比例已超过2%。智能交通系统（IntelligentTransportationSystems,ITS）被视为解决这一问题的关键，而交通速度预测与路网状态估计则是ITS的核心组成部分。准确的交通速度预测能够帮助出行者规划最优路线，减少出行时间；同时，也能为交通管理部门提供决策依据，通过动态调控交通信号、发布实时路况信息等方式缓解拥堵。路网状态估计则能够实时掌握路网的运行状况，识别拥堵点、瓶颈路段，为交通规划和基础设施建设提供数据支持。

（二）传统交通预测方法的局限性

在图神经网络（GraphNeuralNetworks,GNNs）应用于交通领域之前，研究人员主要采用传统的时间序列分析方法和机器学习方法进行交通速度预测。时间序列分析方法如自回归积分滑动平均模型（ARIMA）、季节性自回归积分滑动平均模型（SARIMA）等，这些方法基于交通数据的时间相关性，通过对历史数据的拟合来预测未来的交通速度。然而，这些方法假设数据是线性的，且忽略了交通数据的空间相关性，难以