随着城市化进程加快，交通拥堵已成为制约城市运行效率的关键问题。准确的短时交通流量预测是智能交通系统（ITS）的核心环节。本文以城市主干道卡口数据为基础，提出一种融合时空图卷积与注意力机制的多步预测模型 ST-GAT，在捕获路网拓扑依赖的同时建模长程时间相关性。
实验在两条真实干道数据集上展开，结果表明所提模型在 MAE、RMSE 指标上较基准模型分别降低 11.3% 与 9.7%，验证了方法的有效性。本文进一步给出了系统原型的设计与实现，为交通信号自适应控制提供决策支持。
关键词：交通流量预测；图神经网络；注意力机制；时空建模
Urban traffic congestion has become a critical bottleneck for city operation. Accurate short-term traffic flow forecasting is a core component of Intelligent Transportation Systems (ITS). Based on urban arterial detector data, this paper proposes ST-GAT, a multi-step forecasting model that integrates spatial-temporal graph convolution with attention mechanism.
Experiments on two real-world datasets show that the proposed model reduces MAE and RMSE by 11.3% and 9.7% respectively compared with baselines, demonstrating its effectiveness.
Keywords: traffic flow forecasting; graph neural network; attention; spatio-temporal modeling
- 绪论1
- 相关工作6
- 模型与方法12
- 实验与结果分析21
- 系统设计与实现30
- 总结与展望38
- 参考文献41
- 致谢44
第一章 绪论
1.1 研究背景与意义
城市交通流量具有强烈的时空相关性：同一路段相邻时刻的流量高度相关，而路网中相邻路口的流量又彼此制约。传统时间序列方法难以同时刻画这两类依赖，成为预测精度提升的瓶颈。
1.2 国内外研究现状
早期工作多基于历史平均（HA）与自回归积分滑动平均（ARIMA）模型；深度学习方法兴起后，循环神经网络（RNN）及其变体被广泛应用。近年来，图卷积网络（GCN）因其对图结构数据的天然适配受到关注。
1.3 研究内容
本文的主要贡献可概括为三点：（1）构建路网时空图并设计自适应邻接矩阵；（2）提出 ST-GAT 模型以联合建模时空依赖；（3）实现可交互的预测系统原型。
其中 Â 为归一化邻接矩阵，Attn(·) 为时间注意力，α 为平衡系数。该式构成本文方法的核心递推关系。
参考文献
- [1] 王伟, 刘洋. 基于图卷积网络的交通预测综述[J]. 自动化学报, 2023, 49(2): 231-248.
- [2] Yu B, Yin H, Zhu Z. Spatio-Temporal Graph Convolutional Networks[J]. IJCAI, 2018: 3634-3640.
- [3] Vaswani A, et al. Attention Is All You Need[C]. NeurIPS, 2017: 5998-6008.
- [4] 李华, 张明. 城市交通流时空相关性建模[J]. 计算机学报, 2024, 47(3): 512-525.
- [5] Guo S, et al. Attention Based Spatial-Temporal GCN[C]. AAAI, 2019: 922-929.
致谢
本论文是在导师李华教授的悉心指导下完成的。从选题、方法到成文，李老师严谨的治学态度与开阔的学术视野使我受益良多。感谢实验室同门在实验与写作中给予的帮助，也感谢评审老师拨冗审阅。最后，谨以此文献给始终支持我的家人。