基于图神经网络的交通流时空关联建模与预测研究综述.docVIP

基于图神经网络的交通流时空关联建模与预测研究综述

交通流预测是智能交通系统的核心支撑技术，其通过对道路网络中未来时段的流量、速度、密度等交通参数的精准预判，为交通信号控制、路径诱导、拥堵治理等应用提供决策依据。传统交通流预测模型多基于时间序列统计方法或浅层神经网络，难以有效捕捉城市路网固有的非欧氏空间拓扑关联与复杂时空依赖特性。近年来，图神经网络（GraphNeuralNetworks,GNN）凭借其对不规则图结构数据的强大建模能力，成为交通流时空预测领域的主流技术路径，相关研究成果呈现爆发式增长，极大推动了交通预测精度与泛化能力的提升。

交通流时空特性与建模挑战

城市交通系统是典型的复杂动态系统，交通流数据同时呈现高度的时间依赖性与空间关联性，给建模带来多重挑战。在时间维度上，交通流存在多重周期特性：短时间范围内相邻时段的流量具有强连续性，早高峰、晚高峰的流量模式呈现日周期相似性，工作日与周末的流量分布分别呈现周周期规律，同时受突发事件、天气变化等影响存在显著的非线性波动。传统时间序列模型如ARIMA仅能捕捉线性时间依赖，LSTM、GRU等循环神经网络虽能处理非线性时序关联，但在长序列预测中易出现梯度消失问题，难以建模超长时周期依赖。

在空间维度上，城市路网天然属于非欧氏图结构，节点代表道路传感器或路段，边代表路段间的拓扑连接与通行关联。不同路段的交通状态存在复杂的传播效应