基于图神经网络的交通需求预测中的时空注意力与多源数据融合研究综述.docVIP

基于图神经网络的交通需求预测中的时空注意力与多源数据融合研究综述

交通需求预测作为智能交通系统的核心基础模块，承担着交通资源调度、拥堵预警、路网规划等关键决策的支撑功能。传统交通预测方法受限于静态空间关系假设与时间序列线性拟合的固有缺陷，在面对复杂路网的动态演化、突发性交通事件扰动等场景时精度难以满足实际需求。近年来，图神经网络（GraphNeuralNetwork,GNN）凭借其对非欧氏空间数据的天然建模能力，成为交通时空数据挖掘领域的主流技术框架，而时空注意力机制与多源数据融合的引入则进一步突破了传统GNN模型的性能瓶颈，相关研究成果呈现爆发式增长。

一、图神经网络在交通需求预测中的基础范式

交通路网天然具备图结构属性：路口、站点可抽象为图节点，道路连接关系可抽象为边，交通流量、速度、拥堵指数等动态指标构成节点特征序列。传统交通预测模型如ARIMA、LSTM等仅能处理欧氏空间的网格数据或一维时间序列，无法有效捕捉路网的非规则拓扑关联，而GNN通过邻域信息聚合机制，能够实现路网空间依赖的自适应建模。

当前主流的GNN交通预测框架遵循“空间建模-时间建模-输出层”的三段式结构：空间建模模块主要包括图卷积神经网络（GCN）、图注意力网络（GAT）、消息传递神经网络（MPNN）三类分支。其中GCN基于谱域卷积理论，通过拉普拉斯矩阵分解实现邻域特征的加权聚合，但依赖预定义的固定邻接