王红霞，宇文晓硕

(沈阳理工大学 信息科学与工程学院，沈阳 110159)

交通流预测是智能交通网络管理系统的重要组成部分[1]，其研究方法经历了多个不同的发展阶段。最初是基于线性理论的方法，如典型的差分整合移动平均自回归(Autoregressive Integrated Moving Average，ARIMA)模型，将当前的交通流数据与历史数据建立关系，从而达到预测的目的，但其无法捕获到交通流的突变。还有学者提出了以机器学习为理论依据的预测方法，如K最近邻算法、贝叶斯推理方法和支持向量机(Support Vector Machine，SVM)算法等，这些模型虽然可以拟合较为复杂的交通流特征，但其对非线性特征(如交通流的周期性)的捕获能力有限。近年来，深度神经网络模型成为交通流预测的主要研究方法，研究人员使用循环神经网络(Recurrent Neural Networks，RNNs)来对交通流数据的时间依赖性特征进行提取。文献[2]首次将长短期记忆(Long-Short Term Memory，LSTM)网络用于交通预测，有效解决了传统RNNs在处理时间序列长期依赖中的梯度消失和梯度爆炸的问题，提高了交通速度预测的准确度，但该模型只使用了一层LSTM网络，仍有很大的优化空间。文献[3]提出了基于卷积神经网络(Convolutional Neural Networks，CNNs)的交通预测方法，利用二维时空矩阵将时空交通状态转化为描述交通流时空关系的图像，结果表明，在可接受的执行时间内，该方法的平均精度比其他算法提高了42.91%。然而CNNs对于处理交通路网这样的非欧几里得空间拓扑结构的数据存在局限性。研究人员又使用新兴的图卷积神经网络(Graph Convolutional Neural Networks，GCNs)来处理非欧几里得空间数据，其能够更好地提取到交通流数据的空间特征，如文献[4]提出的时间图卷积网络(Temporal Graph Convolutional Network，T-GCN)模型。……