第一章引言
城市交通流预测作为现代智能交通系统建设的核心环节，对于优化城市交通管控策略、实现车辆路径精准规划以及提升公众出行效率具有至关重要的现实意义。准确预判未来时段的交通状态，不仅能够协助交通管理部门提前制定疏导方案，缓解节点拥堵压力，还能为出行者提供实时可靠的决策依据，从而降低因交通拥堵产生的时间损耗与能源消耗。随着计算机算力的提升与人工智能技术的突破，基于深度学习的城市交通流预测研究已逐步成为学术界与工业界关注的焦点，相关技术正从浅层特征学习向深层语义挖掘不断演进。
然而传统交通流预测方法往往仅依赖单一的历史流量数据进行建模，这种方式在应对城市交通系统中非线性、高波动性特征时显得力不从心。城市交通网络是一个受多重因素耦合影响的复杂巨系统，单一的统计数据难以捕捉气象变化、路网拓扑结构、土地利用性质及突发事故等外部因素对交通流的动态影响，导致预测模型无法适配城市交通多因素联动的复杂特性，限制了其在实际场景中的应用精度与泛化能力。为了突破这一瓶颈，引入多源异构数据融合技术，充分挖掘不同维度数据间的潜在关联，并结合时空图卷积网络对交通流的空间依赖性与时间相关性进行联合建模，成为提升预测性能的关键途径。
本文旨在针对现有研究中对多源异构数据利用不足及图卷积网络在时空特征提取上存在的局限，展开针对性的算法改进研究。研究的核心问题在于如何有效融合异构数据源并优化图卷积网络结构，以更精准地捕捉复杂的时空动态变化规律。本文的研究整体目标是通过构建改进的时空图卷积网络模型，实现更高精度的城市交通流预测，为智慧城市建设提供科学可靠的数据支撑与决策参考。
第二章基于多源异构数据的时空图卷积网络改进算法设计
2.1城市交通流多源异构数据的特征提取与融合策略
图 1 基于多源异构数据的特征提取与融合策略
城市交通流预测研究中，多源异构数据是指来源不同、结构各异且具有复杂关联性的海量数据集合，其特征提取与融合是提升模型预测精度的关键环节。在城市路网场景中，数据范畴主要涵盖气象数据、兴趣点数据、历史交通流量数据及节假日路网管控数据等。气象数据通常以时间序列形式呈现，包含温度、湿度及降水量等连续数值，反映了环境因素对车辆行驶速度的宏观约束。兴趣点数据则表现为空间分布的离散点集，其类别与密度揭示了区域功能属性对交通吸引力的深层影响。历史交通流量数据作为时空相关的网格化或图结构数据，直接记录了路网的通行状态。节假日路网管控数据则属于具有强时效性的规则型数据，界定了特定时段下的通行限制。
针对上述结构差异，需设计适配性的特征提取方法。对于气象等连续型时间序列数据，采用全连接层进行非线性变换，将其映射为高维特征向量，以捕捉环境变化的动态影响。针对兴趣点数据，利用独热编码统计各类设施分布，结合空间注意力机制提取路网节点的区域功能特征。对于历史交通流量数据，应用图卷积网络聚合邻域节点信息，提取空间依赖特征，同时利用门控循环单元挖掘时间演变规律。节假日管控数据则通过嵌入层转化为语义特征向量，明确时段约束条件。
表1 城市交通流多源异构数据特征提取与融合策略对比
在特征融合阶段，必须构建统一的融合策略以整合上述异质特征，确保完整保留交通流的时空关联信息。采用基于注意力机制的加权融合方法，自适应地计算不同数据源特征在当前时刻的重要性权重，实现特征通道间的对齐与互补。该策略能够有效过滤噪声干扰，将外部环境因素、路网拓扑结构及历史运行状态进行有机结合，使融合后的特征向量全面反映城市交通运行的多维影响因素，从而为后续的精准预测提供高质量的输入数据。
2.2适配多源数据关联特性的时空图卷积核改进
图 2 适配多源数据关联特性的时空图卷积核设计
传统时空图卷积网络的设计核心通常基于图信号处理理论，利用拉普拉斯矩阵进行特征提取，在处理单一数据源时能够有效捕捉路网的局部空间拓扑结构。在时间维度上，传统方法常采用标准一维卷积核捕捉周期性与趋势性。这种设计逻辑在处理同质数据时表现良好，但在面对多源异构交通数据时，其局限性尤为明显。由于传统卷积核参数是固定的，且独立处理不同模态的数据，无法充分挖掘多源数据之间存在的隐性关联，导致难以利用异构信息间的互补性来提升预测精度。
为了适配多源异构融合特征的关联特性，本节对空间图卷积核与时间卷积核分别进行了针对性改进。在空间维度，设计了多通道自适应图卷积核，引入可学习的注意力权重矩阵，通过计算不同数据源特征图之间的相似度，动态调整节点间的聚合权重，从而强化具有强关联性的异构特征在空间上的交互。其核心运算过程如式（1）所示：
式中，代表多源异构数据的集合，为第种数据源的可学习注意力系数，与分别为对应数据源的邻接矩阵与度矩阵，为权重矩阵。在时间维度，采用了并行多尺度空洞卷积核结构，利用不同的膨胀率分别捕捉不同数据源在不同时间尺度下的动态变化规律。改进后的卷积核首先对输入的多源融合特征进行分通道处理，随后通过空间图卷积核聚合路网拓扑信息与多源关联特征，再经由时间卷积核提取深层时间依赖。这种设计确保了模型在计算过程中能够依据数据间的关联特性动态调整特征提取策略，有效解决了传统方法对多源数据关联挖掘不足的问题，提升了复杂交通场景下的特征表达能力。
2.3融合多源异构数据的注意力机制嵌入与模型优化
在城市交通流预测任务中，交通数据通常呈现多源异构特性，涵盖了路网拓扑结构、历史流量记录以及气象条件等外部因素。为了有效整合这些复杂信息并提升预测精度，在改进后的时空图卷积网络中嵌入注意力机制显得尤为必要。由于不同特征源在时间和空间维度上的重要性存在显著差异，注意力机制能够赋予模型动态调整各特征权重的 ability，从而帮助模型在海量数据中自动识别并聚焦于那些对当前预测结果贡献最大的关键信息，有效抑制无关噪声的干扰，进而显著增强模型对复杂交通态势的捕捉能力。
针对多源异构融合特征，需设计适配的注意力权重计算方式。该计算过程通过构建特征映射网络，将高维特征向量映射为低维潜在空间，进而通过点积运算或前馈神经网络捕捉特征间的关联性。在具体实施中，系统需明确不同类型特征对不同时段、不同空间节点交通流预测的影响权重分配方法。对于时间维度，模型根据历史数据的周期性与趋势性，对早晚高峰等关键时段的特征输入赋予更高的注意力分数；对于空间维度，则依据路网拓扑结构及上下游节点的依赖关系，动态调整相邻节点特征的影响权重，确保模型在关键路口或拥堵路段能够更加敏感地响应空间流量的变化。
基于上述注意力计算模块，融合多源注意力后的完整时空图卷积网络结构得以构建。该结构通常包含数据输入层、时空特征提取层、注意力融合层以及输出层。时空特征提取层利用图卷积网络捕获空间依赖，结合门控循环单元处理时间序列特征，随后注意力融合层将提取到的时空特征与多源异构外部数据进行加权融合，最终通过全连接层输出预测结果。为了确保该模型在实际应用中达到最佳性能，针对该模型的训练优化策略主要采用自适应矩估计优化器，并结合学习率衰减策略以加速收敛。同时引入早停机制与正则化技术防止过拟合，保证模型能够有效聚焦对预测结果影响更大的关键特征，从而在复杂的城市场景下实现精准、鲁棒的高性能预测。
第三章结论
本文针对城市交通流预测中存在的复杂非线性特征与多源数据利用不充分的问题，系统性地研究了基于多源异构数据的城市交通流时空图卷积网络改进算法，并得出了一系列具有实践指导意义的结论。研究首先构建了多源异构数据特征融合策略，该策略通过对道路流量、车速、天气状况及节假日等多维度外部数据进行标准化处理与深层交互，有效解决了单一数据源信息量匮乏的缺陷。这种融合机制不仅丰富了输入特征集的表达能力，还显著提升了模型对突发交通状况的感知灵敏度，为预测精度奠定了坚实基础。
在核心算法层面，研究对时空图卷积核进行了针对性的改进，优化了图卷积网络对交通路网拓扑结构的捕捉能力。通过构建动态邻接矩阵并结合改进的时空卷积模块，模型能够更精准地提取节点间的空间依赖关系与时间演变规律。同时引入注意力嵌入优化方案，对不同时空特征的权重进行动态分配，使网络能够自动聚焦于对交通流变化影响最大的关键节点与时段，从而进一步降低了预测误差。
实验结果表明，该改进算法在处理城市复杂路网交通流预测任务时，相较于传统基准模型表现出更优的准确性与鲁棒性，验证了融合多源异构数据与优化图卷积结构的有效性。这一成果对于缓解城市交通拥堵、实现智能交通系统的精细化管控具有重要的应用价值。然而研究仍存在一定局限性，例如在处理极端天气或突发事故下的长时序预测时，模型的泛化能力仍有待提升。未来研究可进一步探索跨区域路网的联合建模机制，并结合轻量化网络设计以提升算法的实际部署效率，推动时空图卷积算法在更广泛的交通场景中的应用。