基于图卷积网络的交通流预测模型优化结题报告.docVIP

基于图卷积网络的交通流预测模型优化结题报告

一、研究背景与问题提出

随着城市化进程的加速，全球城市交通网络承载的流量持续攀升。据2025年交通运输部统计数据显示，我国百万人口以上城市的早晚高峰时段平均车速已降至22公里/小时以下，核心商务区拥堵延时指数突破2.8。交通拥堵不仅造成年均超万亿元的经济损失，还加剧了环境污染与能源消耗。精准的交通流预测作为智能交通系统（ITS）的核心模块，是实现动态交通管控、路径诱导和自动驾驶的关键支撑。

传统交通流预测方法主要包括时间序列分析（如ARIMA、SARIMA）、统计学习模型（如支持向量机、随机森林）等，但这类方法普遍存在局限性：一是无法有效捕捉交通网络的空间关联性，忽略了路段间的拓扑结构与流量传播特性；二是对非线性、非平稳的交通流数据拟合能力不足，在突发交通事件（如事故、施工）下预测精度骤降；三是模型泛化能力弱，跨区域、跨时段的迁移性能较差。

近年来，图卷积网络（GraphConvolutionalNetwork,GCN）凭借其对非欧几里得数据的建模能力，逐渐成为交通流预测的研究热点。然而，现有基于GCN的交通流预测模型仍存在诸多亟待解决的问题：其一，固定图结构假设与实际交通动态关联性不匹配，真实交通网络中路段间的影响强度会随时间、流量状态动态变化；其二，模型对长时序依赖的捕捉能力不足，难以精准预测超过1小时的长期交通流趋势；其三，多