基于图卷积网络的交通流预测可解释性结题报告.docVIP

基于图卷积网络的交通流预测可解释性结题报告

一、研究背景与问题提出

1.1交通流预测的现实需求

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《全球城市交通拥堵报告》显示，全球主要城市的平均通勤时间较2010年增加了37%，交通拥堵造成的经济损失占GDP的比例普遍超过2%。智能交通系统（IntelligentTransportationSystem,ITS）被认为是缓解交通拥堵、提升交通运行效率的核心解决方案，而交通流预测作为ITS的关键技术支撑，其准确性直接影响到交通信号控制、路径诱导、交通管理决策等多个环节的效果。

传统的交通流预测方法主要包括时间序列分析（如ARIMA、SARIMA）、统计模型（如卡尔曼滤波）以及机器学习方法（如支持向量机、随机森林）。然而，这些方法大多将交通网络视为孤立的时间序列节点，忽略了交通流在空间上的关联性。实际上，交通系统是一个典型的复杂时空系统，道路网络中的各个路段之间存在着复杂的拓扑关系和流量传播特性，一条路段的交通流变化会通过上下游路段、平行路段等多种途径影响其他路段的流量。

1.2图卷积网络在交通流预测中的应用局限

近年来，图卷积网络（GraphConvolutionalNetwork,GCN）凭借其对非欧几里得数据的强大建模能力，在交通流预测领域取得了显著的突破。图卷积网络能够将道路网络抽象为图结构，其中节