刘华 林立春 杨丽萍 洪东

随着全球定位和物联网技术的快速发展，道路上各种传感器采集的路网数据规模不断扩大。交管部门亟须针对已有的路网数据预测车辆未来的位置和区域分布，对道路前方可能发生的交通拥堵进行预警，并帮助驾驶员选择合适路线，从而缓解城市拥堵。文章采用时空图神经网络（STGNN）挖掘交通流量数据的潜在因果关系，对交通路网嵌入空间依赖和时间依赖进行建模分析。实验结果表明，该方案能更有效地预测未来的交通流量，防止发生拥堵。

时空图神经网络;交通流量;STGNN;拥堵预测

U491.1+13A411473

0 引言

近年来，通过对交通大数据的分析挖掘预测未来的交通趋势，已引起智能交通系统领域研究人员的广泛关注。准确预测未来的交通情况具有很多优势，它不仅可以帮助市民绕行拥挤的道路，而且可以提前安排高效的出行。由于大城市的交通每时每刻都在发生变化，相同位置的交通数据在不同时刻，如在工作日和周末会观察到不同的车流量;相同时刻的交通数据在不同位置也不相同，如在居民区和商圈附近也会观察到不同的车流量。因此，在交通数据中存在复杂的时空关系，这使得进行精确交通拥堵预测的任务极具挑战性。

早期的各种统计和机器学习技术，如整合移动平均自回归模型（ARIMA）、历史平均模型（HA）、支持向量回归（SVR）和卡尔曼滤波模型，已广泛用于交通预测。最近几年，图神经网络（GNN）在模拟现实交通中取得了很好的效果，它通过采用不同的特征聚集方案，将图中相邻节点之间的空间依赖性进行编码并融入其中。……