基于图卷积网络的交通流量预测研究综述.docVIP

基于图卷积网络的交通流量预测研究综述

一、交通流量预测的研究背景与核心挑战

交通流量预测是智能交通系统的核心支撑技术，旨在通过历史交通数据挖掘时空演化规律，对未来时段的路网流量、速度、密度等参数进行精准预判，为交通管控、路径规划、拥堵治理提供决策依据。随着城市路网规模的持续扩张，交通数据呈现出显著的非欧几里得结构特性：路段与路口的连接关系天然构成不规则图结构，流量变化同时受局部相邻路段的空间关联性与历史时段的时间周期性影响，传统预测方法难以适配复杂的时空依赖特征。

早期交通流量预测方法主要分为统计学方法与传统机器学习方法两类。统计学方法以自回归滑动平均模型(ARIMA)、卡尔曼滤波为代表，擅长捕捉线性时间序列规律，但对非线性时空关联的拟合能力有限，仅适用于小规模、交通流平稳的路段预测。传统机器学习方法包括支持向量机、随机森林等，能够处理非线性特征，但依赖人工设计特征工程，难以自动提取复杂路网的深层空间依赖。近年来，深度学习技术的快速发展为交通预测提供了新的解决方案，卷积神经网络(CNN)被广泛用于提取网格状交通数据的局部空间特征，但面对不规则的路网拓扑结构时，CNN的网格采样特性无法适配非欧几里得数据的建模需求，图卷积网络(GCN)的出现恰好填补了这一技术空白，成为当前交通流量预测领域的研究热点。

二、图卷积网络的基本原理与交通领域适配性

图卷积网络是深度学习与图论结合的产物，核心