基于时空图卷积的短时交通流预测

伴随城市建成区连片扩张与民用机动车登记量的逐年冲高，城市路网承载的运行负荷正以指数级速率递增，系统性拥堵已演变为掣肘城市空间效能释放的核心障碍。智能交通体系被视为破解这一困局的可行路径，其技术内核指向对交通流状态的高精准、短周期预判。短时交通流预测便是这一内核的具象化技术载体。该技术依托历史流量时序数据与实时路侧传感反馈，完成对未来数分钟至数十分钟的路网运行状态推演，其输出结果为动态信号调控、路径诱导提供决策基准，是路网运行效能提级的核心支撑。

以历史平均法、自回归综合移动平均模型为代表的传统预测框架，多基于平稳性假设与线性拟合逻辑，无法有效适配交通流数据中内嵌的非线性突变与随机扰动特征。面对城市路网交错嵌套的拓扑结构与动态变化的流量耦合关系，这类方法的空间特征捕捉能力近乎失效。深度学习技术的兴起打破了这一僵局。图卷积网络对非欧几里得结构数据的天然适配性，为路网空间依赖关系的深度挖掘提供了可行技术路径。时空图卷积网络将图卷积的空间特征提取能力与时间卷积的时序建模优势融合，可同步解析路网节点间的拓扑关联与流量序列的动态演化规律。

面向实际路网的短时交通流预测任务，时空图卷积模型需先完成路网拓扑结构的精准图映射，将物理路段转化为图节点、路段间通行关联转化为加权图边。堆叠式图卷积层通过多轮邻域特征聚合，捕捉相邻路段间的流量传导与干扰效应。时序建模模块则负责挖掘流量的周期波动与趋势走向。通过时空特征的深度耦合建模，模型能够生成误差控制在阈值内的高精度预测结果。这一技术的落地可直接服务于城市拥堵缓解与主动式交通管理，为出行者推送精准路径引导方案，为交通管控部门制定科学策略提供数据支撑。

专为处理非欧几里得结构数据打造的深度学习架构时空图卷积网络，核心能力是从节点间交错勾连的复杂拓扑结构中高效提取特征，其理论体系内的图卷积方法可划分为谱域与空域两大分支。谱域分支基于图信号处理理论，通过图傅里叶变换将空间域信号转译至谱域完成卷积，数学表达严谨但受限于计算效率与卷积核可调空间。空域分支直接在图节点及其邻域内完成信息聚合，操作逻辑贴近传统卷积神经网络对像素网格的处理路径，无需复杂的域转换流程，更适配大规模图数据的实时运算。空域分支现已成为构建时空图卷积网络的主流技术路径。

用于短时交通流预测的单纯图卷积方法，仅能捕捉路网节点间空间维度的路况依赖关系，完全忽略了交通数据自带的、随时间持续演化的动态时序特性。时空图卷积网络的核心构建逻辑，是将图卷积层与序列模型进行深度融合，完成时空双维度信息的协同建模。这种融合路径的工程适配性与预测精度提升显著。该机制通常通过在图卷积层后串联时间卷积或循环神经网络模块实现，依托路网物理拓扑感知上下游路段空间关联的同时借时间滑动窗口捕捉交通流的周期与趋势变化。

交通路网本质上是典型的非欧几里得空间，节点间连接关系交错复杂且无规则可循，传统欧几里得数据处理方法无法直接表征这种多节点勾连的拓扑结构。时空图卷积网络可直接以图结构作为输入，自适应学习节点间的空间依赖关系，省去繁复的特征工程步骤，同步处理时空双维度的动态演化信息。这一架构对交通数据的适配性远优于传统方法。时空双维度特征的深度耦合，大幅强化了对复杂交通流变化规律的刻画能力，为破解短时预测的非线性与随机性难题提供支撑。

作为智能交通系统核心支撑模块的短时交通流预测，依托历史采集、实时传输的交通数据推演未来时段的路网运行状态，预测结果的精准度直接决定交通诱导与控制策略的实际执行效能。该领域的学术探索已完成从传统统计框架到机器学习再到深度学习的三代范式更迭。三代范式各有其适配的应用场景与性能边界。

学术探索的早期阶段，研究人员多依托传统统计学框架搭建预测模型，其中自回归综合移动平均模型（ARIMA）及其各类变体是应用范围最广的技术方案。该类模型预设交通流数据具备线性变化特征，核心是通过数学变换将非平稳序列转化为平稳序列，进而建立观测数据与时间滞后项之间的量化线性关联。对应的数学表达可简化为如下标准形式：$\phi(L)(1-L)^d y$t = \theta(L) \varepsilont，其中$y$t为观测序列，$L$为滞后算子，$\phi(L)$与$\theta(L)$分属自回归与移动平均算子，$\varepsilon$t代表白噪声误差项。这类模型理论体系严谨，计算开销较低，对线性特征显著的交通流数据适配性良好，却因固有的线性假设无法捕捉路网中普遍存在的非线性波动与随机扰动。

算力水平的阶梯式提升，推动非参数化机器学习框架进入短时交通流预测的研究视野。以支持向量回归（SVR）、K近邻（KNN）为代表的非参数模型，依托核函数映射或样本相似性匹配完成复杂非线性关系的精准建模，性能表现较传统统计模型存在明显优势。泛化适配能力较统计模型实现本质跨越。SVR将低维输入数据映射至高维特征空间后执行线性回归操作，其决策函数可表示为$f(x) = \sum${i=1}^{N} (\alphai - \alphai^*) K(xi, x) + b，其中$K(x$i, x)为核函数，$\alpha$i与$\alpha_i^*$为拉格朗日乘子。但面对大规模高维路网数据时，这类模型会陷入计算效率不足的困境，且依赖人工提取的时空特征难以覆盖路网的复杂运行逻辑。

端到端特征提取的技术优势，让深度学习框架成为短时交通流预测的主流研究路径。循环神经网络（RNN）及其变体长短期记忆网络（LSTM），可通过门控机制精准调控信息流的传递与留存，对交通流的时间维度依赖性具备出色的建模能力。时间维度建模精度实现突破性提升。LSTM的单元状态更新公式为$C$t = ft \odot C{t-1} + it \odot \tilde{C}t，其中$C$t为当前时刻的记忆单元状态，$f$t、$i$t分属遗忘门与输入门，$\odot$代表逐元素乘积运算。但多数现有研究未充分纳入交通路网的拓扑结构特征，对时空耦合特性的挖掘存在明显短板，本研究据此引入图卷积神经网络，以实现路网时空动态特性的精准建模。

交通流数据携带的时间依赖性特征，表现为流量随时间推演呈现的周期与趋势性波动——日周期维度下，早晚高峰的流量变化模式具备高度重复性，邻近时刻的流量状态也由前序时段直接延续。这种横跨多时间尺度的关联逻辑，为高精度短时预测构建起核心理论支撑框架。单一层面的特征拟合无法满足精度需求。任何仅聚焦单一时间尺度的建模尝试，都会因特征覆盖不全导致预测结果出现系统性偏差。

城市道路网络节点间的拓扑关联与相互作用，构成交通流的空间依赖性核心内涵——物理连通的路网会让上游拥堵随车流向下游扩散，功能互补的相邻区域也会同步呈现交通状态的协同波动。这类非欧几里得空间内的动态关联，要求单一节点的预测必须纳入周边节点的实时状态数据，否则会因信息缺失导致结果出现显著偏差。脱离周边节点状态的孤立建模逻辑完全失效。路网拓扑的动态变化，进一步放大了单一节点建模的局限性与误差风险。

针对这类时空耦合特征，过往建模多依托统计学框架——用自回归积分滑动平均模型拟合时间维度线性关联，或借向量自回归模型引入多变量交互，空间层面则依赖重力模型或简单距离衰减函数。这类方法虽理论成熟且计算成本较低，却因基于线性假设与固定拓扑结构，难以捕捉交通流中的非线性特征与动态空间关联。复杂场景下适配性严重不足。基于深度学习的数据驱动路径展现出更强的特征提取能力，卷积神经网络可通过滑动窗口捕捉局部时间特征，图卷积网络则能利用邻接矩阵在非欧氏空间完成谱域或空域卷积，精准复现路网拓扑结构。时空图卷积方法进一步将二者深度融合，通过搭建包含双模块的神经网络架构，同步捕捉多节点间的时间动态演化与空间拓扑依赖，破解传统方法在高维非线性交通数据处理中的固有局限，强化模型鲁棒性与预测精度。

依托时空图卷积网络搭建的短时交通流预测模型经系统性实验验证与数据分析，已输出具备明确工程指导价值的核心论断：通过图卷积与时间卷积的深度融合，可精准捕捉交通网络内复杂的空间拓扑依赖、动态时间演变特征。该模型借助图卷积算子对交通路网物理连接结构建模，聚合邻近节点交通状态信息以提取非欧几里得几何框架下的空间相关性。时间维度的特征挖掘依托专属模块有序推进。针对连续时间步长的交通流数据序列，该模块可深度挖掘周期性变化趋势与随机波动规律——这种时空特征的联动处理模式，成功突破传统单维度预测模型在非线性数据处理中的固有局限，有效提升预测精度。

在真实交通数据集的测试中，该模型表现出远超传统方案的性能，即便在早晚高峰这类交通流波动剧烈的时段，仍能维持较高的预测稳定性与输出精度。高精度的短时交通流预测结果，可为交通诱导系统的实时路径规划、信号灯控制方案动态调整提供可靠数据支撑。拥堵主动预警的决策响应效率也将随之提升。相关管理部门可依据预判结果提前部署科学管控策略，缓解路网拥堵压力并提升通行效率。本次研究同时证实了深度学习技术在解决交通领域复杂时空问题的适配性，为后续开发泛化能力更强的智能交通预测系统筑牢技术根基，推动交通大数据分析的工程落地与深化应用。