基于图神经网络的交通流量预测与可解释性结题报告.docVIP

基于图神经网络的交通流量预测与可解释性结题报告

一、研究背景与问题提出

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2025年《全球城市交通报告》显示，全球主要城市的平均通勤时间较2015年增长了18%，交通拥堵导致的经济损失占GDP的比例超过5%。智能交通系统（IntelligentTransportationSystem,ITS）被认为是缓解交通拥堵、提升交通效率的关键手段，而交通流量预测作为ITS的核心模块，其准确性直接影响到交通信号控制、路径规划、出行建议等应用的效果。

传统的交通流量预测方法主要包括统计模型（如ARIMA、VAR）和机器学习模型（如SVM、随机森林）。然而，这些方法大多忽略了交通网络的空间关联性和动态演化特性。交通系统本质上是一个复杂的时空系统，道路之间存在着复杂的拓扑结构和流量依赖关系，例如一条道路的拥堵会迅速扩散到相邻道路，且这种扩散模式会随时间发生变化。图神经网络（GraphNeuralNetwork,GNN）能够有效处理具有图结构的数据，通过聚合邻居节点的信息来捕捉空间关联性，同时结合循环神经网络（RNN）或Transformer等时序模型，可以更好地建模交通流量的时空动态特性。

尽管基于GNN的交通流量预测模型在精度上取得了显著提升，但这些模型大多被视为“黑箱”，缺乏可解释性。在实际应用中，交通管理部门和决策者需要了解模型预