第一章 引言
伴随着城市化进程的加快以及机动车保有量的不断增加，交通拥堵问题已经成为制约城市发展的重要问题。智能交通系统是解决该问题的有效途径，它的主要功能就是对交通状况进行准确的感知和预测。交通流预测就是根据历史和实时的交通数据来推断未来某个时间段内路网的状态，给交通诱导、信号控制和路径规划提供决策依据[1]。传统的预测方法大多依靠统计学理论，比如自回归积分滑动平均模型，在处理线性关系的时候表现还可以，但是面对交通流非线性、随机性强的特点时就显得无能为力了。近些年来，深度学习技术的发展给克服该种限制赋予了新途径，图神经网络的应用使得可以较好地抓住路网拓扑结构里的空间依赖性。在此基础上，以时空图神经网络为基础的预测模型应运而生，该模型用图结构来模拟路段之间的连接关系，用图卷积操作提取空间特征，用时间序列模块捕捉动态变化规律，从而实现对交通流时空相关性的联合建模，能有效利用时空位置信息实现更准确的时空交通流预测[4]。该种技术路线不但可以提高预测精度，而且可以提高模型在复杂路网环境下的泛化能力，对缓解交通压力、提高城市运行效率有重要的应用价值。
第二章 时空图神经网络驱动的交通流预测模型构建与实证验证
2.1 交通流时空特性与基础图神经网络理论界定
交通流时空特性是建立高精度预测模型的基础，它的具体含义是指多维复杂的依赖关系。从时间上来说，交通流具有很强的邻近性、周期性和趋势性，邻近性是指当前时刻路况受到临近时段的直接影响，周期性是指早晚高峰的重复模式，趋势性是指交通状态的长期变化规律。从空间上来说，路网拓扑结构决定着节点之间的连通关系，区域交通溢出效应使得拥堵在相邻路段之间传递，在北京市核心区路网中尤为明显，主干道的拥堵很快会引起周边支路通行能力降低，形成复杂的动态关联网络。对于具有图结构的数据特征，基础图神经网络给出了一个有效的计算框架。其主要的运行机制是以静态图卷积和图信号处理为理论基础，用聚合邻居节点信息的方式来更新中心节点的特征表示，在非欧几里得域中提取空间特征。静态图卷积用频域或者空域滤波来完成图结构数据的特征变换和降维，它的底层计算逻辑正好符合路网节点之间的连接关系。虽然基础模型对于静态空间关联的处理很好，但是对于交通流这样的强时序、动态变化的图数据来说，它的适用范围就受到了限制。明确这一理论支撑要点，可以清楚地看到目前技术在捕捉动态时空依赖方面存在的不足，为后面章节中对模型缺陷进行梳理和改进设计打下基础。
2.2 现有交通流预测方法的共性时空表征缺陷梳理
目前主流的交通流预测方法虽然在一定程度上提高了预测精度，但是在深层次的时空特征表征上还存在着明显的共性不足。首先，以ARIMA、SVR为代表的传统的时序预测模型，主要是依靠统计学理论来挖掘单个节点的历史数据，而忽略了路网中广泛存在的非结构化空间联系，因此不能够很好地处理路网拓扑结构所造成的复杂影响。其次，利用卷积神经网络（CNN）构建栅格化的交通预测模型时，用标准的欧氏距离做卷积运算，把非欧氏结构的交通路网强行变成规则的网格，这样的处理方式会造成节点之间真实路网拓扑信息的丢失，并且不能区分出不同的路段实际连接的权重。再者，即使是近年来出现的静态图神经网络预测模型，虽然可以处理图结构数据，但是大多数都使用固定的邻接矩阵来描述节点之间的关系，静态假设不能适应交通流在早晚高峰等不同时段表现出的强动态性特点。多项相关研究的实验结果表明，当交通状态出现剧烈波动或者路网结构出现局部拥堵的时候，上述方法由于不能捕捉到空间关联的动态变化，所以预测性能会大大降低。目前的方法不能很好地解决交通流在复杂路网环境下时空异质性的表征问题，这也是本文提出新模型设计的主要原因和必要性。
表1 现有交通流预测方法的共性时空表征缺陷梳理
2.3 融合动态邻接矩阵与门控循环单元的ST-GNN预测模型设计
2.3.1 面向路网拓扑的动态自适应邻接矩阵构建模块
传统的邻接矩阵一般只用物理距离或者连通关系来建立，权重固定不变，不能反映早高峰、晚高峰和平峰各个时段道路之间关联强度的变化，因此不能捕捉到隐性的空间依赖关系。为了克服上述的不足，本文提出了一种面向路网拓扑的动态自适应邻接矩阵模块。该模块的核心就是利用双维度参数来实现矩阵的自适应更新，即根据路网节点的实时交通流特征相似度和节点间的路径通行可达性权重来更新矩阵。生成规则上设计了一个随输入时序数据变化的邻接矩阵生成公式，使它可以根据当前交通状态的变化来调节矩阵中元素的权重。早晚高峰拥堵时段节点间流量相似度权重增大，矩阵可以更加敏感地反映拥堵扩散的空间联系，平峰期物理可达性权重占主导地位。本模块在不丢失原始路网物理拓扑信息的基础上，很好地挖掘出了随着时间的推移而产生的隐性空间联系，给后面的时空特征提取提供了一个更加准确、动态的图结构基础。
2.3.2 基于时空注意力机制的门控循环单元时序依赖捕捉单元
常规门控循环单元对于交通流数据来说，很难很好地保留长序列中远期周期的特征，容易造成重要的时序信息丢失，进而影响预测精度。为了克服上述问题，本文提出了一种时空融合注意力机制，并且用它来创建增强型时序依赖捕捉单元。该机制用时间注意力权重来对不同的历史时刻交通流特征的重要性做自适应的赋值，突出某个时间段的重要特征，同时用空间注意力权重来动态校准同一时刻路网各个节点之间的关联程度，捕捉复杂的空间依赖。在具体实现时，注意力权重的计算要包含全部的历史数据，经由多层感知机映射和Softmax归一化之后得到权重矩阵，再把计算结果嵌入到门控循环单元的更新门和重置门结构里，从而达成对输入特征的加权筛选。该单元把交通流的短期突变趋势和长期周期性规律结合起来，可以较好地捕捉到复杂的时序特征，为高精度的交通流预测打下了良好的基础。
2.3.3 模型整体前向传播逻辑与损失函数优化方案
融合动态邻接矩阵和门控循环单元的ST-GNN预测模型的前向传播过程，是从原始多节点交通流时序数据开始的。系统根据实时交通状况来产生邻接矩阵，从而体现路网拓扑结构的变化。输入数据和动态邻接矩阵相乘之后再输入到带有时空注意力的门控循环单元层中。在这个过程中，各个隐藏层要按照事先设定好的维度变换规则来执行计算操作，利用重置门和更新门来挑选出有效的特征，并且把提取出来的时空特征进行跨层拼接和融合，从而得到下一个时间步的交通流预测结果。对于交通流预测这样的回归问题，模型给出了一个包含预测误差L2正则项和邻接矩阵稀疏性约束项的复合损失函数。该函数在努力减小预测值和真实值之间的均方误差的同时，又对邻接矩阵施加了稀疏性约束来防止模型出现过拟合的情况，进而提高模型的泛化能力。参数优化阶段用Adam优化器做迭代更新，利用它的自适应学习率特性加快收敛。训练时设置了明确的模型收敛判定标准，用验证集损失变化来动态调节迭代轮次，在保证训练效率的基础上达到预测精度最优。
2.4 基于北京核心区路网的实证实验与性能对比分析
2.4.1 实验数据集预处理与评价指标设定
本文选择北京核心区（二环路以内的核心主干道路网为实验场景），该区域路网拓扑结构复杂、交通流具有很强的时变性，可以很好地检验模型的泛化能力。实验所用的公开交通流数据集是交通路侧检测器和浮动车数据融合采集得到的，时间跨度为连续四周的高峰和平峰时段，数据样本为路网中一些重要的节点流量记录，保证了实验样本的丰富性以及代表性。数据预处理阶段首先要进行异常值清洗，剔除由于传感器故障造成的明显偏差数据；然后针对数据缺失问题，用时变邻域的相关性来插值补全，即根据历史时段均值和空间相邻节点的流量特征来填充缺失值。接着就用时序滑窗法来构造监督学习的样本，把时间序列数据变成模型所需要的输入输出对。最后按照时间连续性的原则，严格按照7份训练集、2份验证集和1份测试集的比例来划分数据集，保证数据分布的一致性。为了准确评价预测性能，本文用平均绝对误差来衡量预测偏差的总体水平，用均方根误差来放大和评价异常大值的影响，用平均绝对百分比误差来度量预测结果与真实值之间的相对误差大小，从而建立一个多维的、标准化的评价体系。
2.4.2 与传统时序模型、静态图神经网络模型的预测精度对标
为了保证实验结果的客观性、科学性，本文建立了一个严格的对比实验环境，包含ARIMA、LSTM等传统的纯时序预测模型，还有GCN、GAT等使用固定邻接矩阵的静态图神经网络模型。所有的参与测试模型都处在相同的软硬件环境中，用同样的数据集划分方式和训练迭代轮次来训练，从而消除外界因素给预测精度带来的影响。实验用均方根误差、平均绝对误差、平均绝对百分比误差这三种主要的评价指标，用表格的形式展示各个模型具体的数值结果，直观地量化预测误差。同时对路网交通流的典型特征进行实验，得到高峰、平峰时段各个模型预测曲线和真实交通流曲线的拟合情况。从深层次上讲，传统的时序模型不能很好地处理复杂的空间依赖关系，静态图模型对于路网拓扑的变化缺乏灵活性，而本文所提出的模型在数值精度、高峰时段突变的捕捉以及长期趋势的吻合度上都具有明显的优势。另外，用消融实验分别去掉动态邻接矩阵模块和时空注意力门控循环单元模块，得到各个关键部件对于模型整体性能的增益贡献度，从而证明本研究模型架构的有效性以及先进性。
第三章 结论
本文采用时空图神经网络模型，很好地克服了传统交通流预测方法对于复杂时空依赖关系的不足。核心原理就是用图卷积网络来建模路网拓扑结构，准确地捕捉到各个路段之间的空间相关性，并且利用门控循环单元等时序模块，从交通数据的时间维度出发，挖掘出其中的周期性以及趋势性特点。在具体实现时，首先要对交通路网数据进行预处理，构造出符合模型输入要求的图结构矩阵，然后利用多层网络训练逐步提取出深层次的高维特征，最后用全连接层输出预测结果[3]。该技术有很高的实际应用价值，它可以给智能交通管理系统提供高精度的短时交通状态预测，也可以帮助交通管理部门提前制定出疏导策略，从而有效地缓解城市拥堵。另外，根据此模型得到的可视化分析结果可以使得决策者对路网运行规律有更直观的认识，给城市规划和信号控制优化提供科学的依据。因此，时空图神经网络对于提高交通流预测的准确性、提升交通系统智能化水平有重大的实践意义。
参考文献
\[1\]裴博彧. 基于时空多层级图卷积神经网络的交通流预测[D]. 福建工程学院, 2023.
\[2\]谷振宇, 陈聪, 郑家佳. 基于时空图卷积循环神经网络的交通流预测[J]. 控制与决策, 2022, 37(3): 9.
\[3\]李昭阳. 基于时空多图注意力神经网络的交通流预测方法及系统[P]. 2025.
\[4\]王子彤, 李晨亮. 基于位置感知时空图卷积网络的交通流预测[J]. 2025.
\[5\]项新建, 林贤鑫, 陈田冬. 基于时空UNet图卷积模型的交通流预测[J]. 北京交通大学学报, 2025(4).