基于图神经网络的交通拥塞预测研究综述.docVIP

基于图神经网络的交通拥塞预测研究综述

交通拥塞预测是智能交通系统的核心支撑技术，其通过挖掘交通流时空关联规律，实现对未来时段路网运行状态的精准预判，为交通管控、路径规划、拥堵治理提供决策依据。传统交通预测方法多基于统计模型或常规深度学习架构，难以有效捕捉路网的非欧几里得拓扑关联与复杂时空依赖特性，预测精度在大规模复杂路网场景下存在明显瓶颈。近年来图神经网络（GraphNeuralNetworks,GNN）凭借对图结构数据的强大建模能力，成为交通拥塞预测领域的主流技术路径，相关研究成果呈现爆发式增长，推动交通预测精度实现了量级跃升。

图神经网络应用于交通预测的基础架构

交通路网天然具备图结构属性，可建模为以路段/交叉口为节点、以路段连通关系为边的时空图，其中节点特征包含流量、速度、占有率等交通参数，边特征包含路段距离、通行能力、转向限制等属性。GNN通过聚合邻居节点信息实现对图拓扑结构的特征提取，与交通预测任务的适配性主要体现在三个层面：一是可以直接处理非规则排列的路网节点，无需将空间数据网格化，避免了信息损失；二是能够自适应学习不同路段间的关联强度，无需人工预设空间权重矩阵；三是可与时间序列模型深度融合，实现时空特征的联合建模。

当前主流的GNN交通预测架构可分为三类：基于谱域的GNN、基于空域的GNN以及动态图GNN。谱域GNN以图卷积网络（GCN）为代表，通过图傅里叶变换