薛延明，李光辉，齐 涛

江南大学 人工智能与计算机学院，江苏 无锡214122

机动车是人们外出的重要交通工具，据公安部统计，截至2020 年6 月，中国机动车保有量达3.6 亿辆，即平均每4 人拥有一辆机动车；全国机动车驾驶人数量达4.4亿，其中汽车驾驶人占总人数的90.9%，因此需要预测交通流量趋势以进行合理管控。然而，由于交通流数据的复杂性和庞大性，对其进行预测是极具挑战性的。首先在时间维度上，交通流数据具有波动性和突变性，其整体呈现周期性，但是在某段时间内可能产生异常。其次在空间维度上，交通网络存在复杂的道路位置依赖关系，比如在城市的十字路口处的道路就具有极强的相关性，预测交通流将呈现何种流通形式将十分困难。

以往研究者通过传统机器学习方法进行交通流预测，比如向量自回归（vector autoregressive，VAR）[1]、支持向量回归机（support vector regression，SVR）[2]以及滑动平均自回归（autoregressive integrated moving average model，ARIMA）[3]。但是这些方法都是基于变化趋势平稳理想假设，复杂多变的交通流数据往往不符合这一理论基础。随着人工智能的兴起和发展，越来越多的人希望通过深度学习方法对交通流进行预测。研究者们通过循环神经网络（recurrent neural network，RNN）[4-5]、卷积神经网络（convolutional neural network，CNN）[6]以及自动编码器[7]进行建模。然而这些方法仅仅考虑了时间维度上的相关性，忽略了交通数据复杂的空间依赖关系。

交通流数据是非欧式结构的，其节点没有固定的邻域结构，很难直接对其进行卷积操作。为了解决以上所提到的问题，图卷积网络（graph convolutional network，GCN）应运而生。……