基于图神经网络的交通流预测中的动态图结构学习与节点异质性建模研究综述.docVIP

基于图神经网络的交通流预测中的动态图结构学习与节点异质性建模研究综述

交通流预测作为智能交通系统的核心支撑技术，其预测精度直接影响交通管控效率、出行路径规划与城市运力调度。传统基于时间序列的预测模型仅能捕捉交通流的时序演化规律，无法有效建模道路网络中不同路段的空间依赖关系，而图神经网络（GNN）的出现为交通网络的结构化建模提供了全新范式。随着研究的深入，静态图结构假设与节点同质性假设的局限性逐渐凸显：实际交通网络的连通性会随拥堵、事故、临时管控等事件动态变化，且不同功能属性的道路节点（如主干道、支路、高速出入口）在流量演化模式、时空关联特征上存在显著差异。因此，动态图结构学习与节点异质性建模成为当前基于GNN的交通流预测领域的核心研究方向，相关成果的梳理对推动交通预测技术的落地应用具有重要理论与实践价值。

动态图结构学习的研究进展

动态图结构学习的核心目标是突破静态邻接矩阵的限制，自动捕获交通网络中随时间变化的空间关联关系，根据学习范式的差异可分为隐式结构学习、显式结构学习与混合结构学习三类。

隐式结构学习方法通过注意力机制或邻接矩阵自适应更新模块，在模型训练过程中动态计算节点间的关联权重，无需依赖预先定义的路网拓扑。典型代表如时空注意力图卷积网络（ASTGCN），其在空间维度引入多头注意力机制，为每个时间步的不同节点对分配动态权重，能够自适应识别高峰时段主干道与支路的关联强度变化