薛焱中

摘 要：文章提出了一种新型的交通运输流预测方法。 首先，提出了一个基于时间空间特征的交通流预测模型，其中道路交通流的空间特性的提取是使用图形卷积网络（GCN）进行的。其次，通过一个简单而强大的可变触发周期单元GRU来实现一种随时序改变的道路网络；在此基础上，利用sequence-to-sequence模型对道路各个阶段的时间序列进行了评估，并利用该模式来获取最终的预测结果。最后，以sequence-to-sequence模型为基础，采用了自动编码机制对模型进行了结构优化，使预报准确率有了很大提高。

关键词：交通运输；图神经网络；深度学习；流量预测；自动编码机制

中图分类号：F282；U491文献标志码：ADOI：10.13714/j.cnki.1002-3100.2024.10.021

Abstract： In this paper， a new method for traffic flow prediction is proposed. First， a traffic flow prediction model based on spatial-temporal features is proposed. Here， the extraction of spatial features of road traffic flows is implemented using a graphical convolutional network（GCN）. In addition， a simple but powerful variable trigger period unit GRU is used to implement a time-varying road network. Based on this， a sequence-to-sequence model is used to predict multiple phases of the sequence and the final predictions are obtained from this model. Finally， on the basis of the sequence-to-sequence model， the structure of the model is optimized using an automatic coding mechanism， which significantly improves the accuracy of the predictions.

Key words： transportation; Graph Neural Network; deep learning; traffic prediction；automatic coding mechanism

0    引    言

近年来，我国的经济高速增长带来了一系列城市交通问题，包括人均工资水平上升、汽车生产成本增加、道路交通拥堵等。城市快速发展导致人口激增，但城市规划和改善滞后，交通拥堵、环境恶化以及通勤成本的增加，成为市民生活的难题，也引起了政府的重视。为了更好地规划城市交通，节约时间、提高交通流预测的准确性成为学术界关注的焦点。

然而，在交通流量预测方面存在一些挑战，包括道路网络的空间依赖性和长期时间的难以预测性。首先，道路网络的交通流量受空间相关性影响，不同路段之间的关联性复杂，而且下游车流对未来的影响较大，这需要建立基于空间相关性的道路网络模型。其次，交通流量具有高度的实时性，受到工作日、假期、交通高峰期和不可预测事件的影响，因此长期预测较为困难。……