基于图神经网络的交通状态预测研究综述.docVIP

基于图神经网络的交通状态预测研究综述

交通状态预测是智能交通系统的核心支撑技术，旨在通过对历史交通数据的挖掘与分析，预判未来时段的路网运行态势，为交通管控、出行诱导、自动驾驶决策等场景提供关键依据。传统交通预测方法多依赖时间序列分析与浅层机器学习模型，难以有效捕捉交通流的非线性时空依赖关系，而图神经网络（GraphNeuralNetwork,GNN）凭借其对非欧氏空间拓扑结构的强大建模能力，成为当前交通预测领域的主流技术路径。

交通状态预测的问题定义与数据特性

交通状态预测本质是时空序列预测任务，其核心目标是基于历史时段的观测数据集合$\mathcal{X}={X_1,X_2,...,X_t}$（其中$X_t\in\mathbb{R}^{N\timesF}$表示$t$时刻$N$个交通检测点的$F$维特征，包括流量、速度、占有率等），预测未来$T$个时段的交通状态$\hat{\mathcal{Y}}={\hat{X}{t+1},\hat{X}{t+2},...,\hat{X}_{t+T}}$。与常规时序预测任务相比，交通数据存在三个典型特性：一是空间异质性，不同位置的交通节点受路网结构、周边用地性质等因素影响，交通演化规律存在显著差异；二是时空耦合性，交通流的变化同时受时间维度的周期性（早晚高峰、节假日规律）和空间维度的关联性