基于时空图卷积的交通预测模型结题报告

基于时空图卷积的交通预测模型结题报告一、项目概述交通预测作为智能交通系统的核心环节，对于城市交通管理、路径规划以及公众出行服务具有重要价值。然而，交通流数据天然具有复杂的时间依赖性和空间关联性：时间维度上，交通状态受到早晚高峰、周期性波动以及突发事件等非线性因素的影响；空间维度上，路网中不同节点之间存在不对称、有向且动态变化的相互影响关系。传统的时间序列模型如ARIMA、支持向量回归等方法往往将路网各断面的交通状态独立建模，无法有效捕获路网拓扑结构中的空间耦合特征，也难以处理大规模路网场景下的高维非线性映射问题。针对上述挑战，本项目围绕“时空图卷积交通预测模型”开展系统研究。项目以图神经网络为基本建模框架，通过构造路网拓扑图结构，将交通传感器或路段抽象为图节点，将道路连接关系或空间邻近关系抽象为边，进而利用图卷积操作实现空间特征的聚合与传播。同时，引入时间卷积模块和门控机制，捕获交通数据在多时间尺度上的演化模式与长期依赖。项目最终构建了一个端到端的深度学习预测框架，能够同时建模时空双重依赖关系，并在公开交通数据集上实现了优于主流基线方法的预测精度。项目执行周期内完成了模型设计、算法实现、实验验证和对比分析四个阶段的工作。通过在METR-LA和PEMS-BAY两个公开数据集上的系统实验，验证了模型在15分钟、30分钟和60分钟三个预测步长下的性能表现，并针对模型的关键组件开展了消融研究，明确了各模块对整体预测能力的贡献程度。项目成果为城市级交通态势预测提供了一套可行的技术方案，也为后续面向更复杂场景的扩展研究奠定了基础。二、研究背景与问题定义2.1交通预测的任务本质交通预测问题可以在形式上定义为：给定路网中N个传感器或路段在过去T个时间步的观测值，预测未来H个时间步的交通状态。设路网在时刻t的交通状态矩阵为X_t∈R^{N×C}，其中C表示特征维度，包括流量、速度、占有率等。交通预测的目标是学习一个映射函数f，使得：其中G表示路网拓扑结构。这一任务的核心难点在于：映射函数f必须同时捕获时间序列中的动态模式和空间结构中的关联模式，并且这两种模式之间存在复杂的交互效应。2.2传统方法的局限性以ARIMA为代表的时间序列模型假设数据满足平稳性条件，且只能对单一序列建模，无法利用空间邻域的信息。机器学习方法如K近邻回归、随机森林等虽然能够引入部分空间特征，但严重依赖人工特征工程，且扩展性受限。深度学习方法中，循环神经网络及其变体LSTM、GRU在时间序列建模上取得了显著进展，但同样无法自然地处理非欧几里得空间中的路网拓扑结构。卷积神经网络虽然在网格化数据上表现出色，但将路网强制映射到规则网格会引入不必要的近似误差和信息损失。2.3图卷积方法的优势图卷积网络（GCN）通过定义图上的谱卷积或空间卷积操作，能够直接在非规则拓扑结构上进行特征聚合和变换。对于交通路网而言，图结构天然适合表征道路之间的连接关系、上下游关系和空间邻近关系。通过堆叠多层图卷积，模型可以逐层扩大感受野，捕获一跳、二跳乃至更远距离的空间依赖。更重要的是，图卷积的计算过程不依赖于特定的节点排列顺序，具有良好的置换不变性，适合处理拓扑结构可能动态变化的路网场景。三、模型设计与实现3.1整体架构本项目的时空图卷积交通预测模型采用“空间—时间”交替处理的整体架构。模型由多个时空卷积块堆叠而成，每个时空卷积块包含两个核心组件：空间图卷积层和时间卷积层。空间图卷积层负责在单个时间切片内沿路网拓扑聚合邻居节点的信息，捕获空间依赖；时间卷积层负责在单个节点的时间序列上执行一维卷积操作，捕获局部时间依赖。两个组件之间采用残差连接和层归一化策略，以缓解深层网络训练中的梯度消失问题，并加速收敛。设第l层的输入为H{(l-1)}∈R{T×N×D}，其中D为隐藏维度。空间图卷积操作可以表示为：其中A=A+IN其中*表示一维因果卷积操作，Wf和Wg分别对应特征门和遗忘门的卷积核，3.2自适应邻接矩阵固定邻接矩阵虽然能描述路网的基本拓扑关系，但无法反映交通状态传播的动态特性。例如，在拥堵扩散过程中，相邻路段之间的影响强度会随时间和交通状态发生变化，而这种变化无法通过静态的邻接矩阵充分表达。为此，本项目设计了一种自适应邻接矩阵生成机制。自适应邻接矩阵由两部分组成：基于空间距离的静态矩阵和基于节点嵌入的动态矩阵。静态矩阵通过路网中节点之间的实际道路距离计算，采用高斯核函数将距离映射为边权重：其中dij为节点i和j之间的道路距离，其中E1其中α为平衡系数，可通过训练过程自动学习或作为超参数手动设定。这种设计使模型既保持了对真实路网拓扑的感知能力，又具备发现数据驱动空间关联的灵活性。3.3多尺度时间建模交通数据的时间依赖呈现出明显的多尺度特征：分钟级别的短期波动、小时级别的当日周期性以及周级别的长期周期性。仅使用单一尺度的卷积核难以充分捕获这些跨尺度的时间模式。为此，本项目在时间卷积模块中引入了多尺度并行结构。具体而言，时间卷积层包含三个并行的卷积分支，分别使用1×1、1×3和1×5的卷积核在时间维度上进行操作。1×1卷积核等效于逐时间步的特征变换，用于捕获瞬时特征；1×3卷积核捕获短时局部趋势；1×5卷积核捕获较长范围内的变化模式。三个分支的输出通过拼接和线性投影进行融合：多尺度时间建模使模型无需依赖循环结构即可有效捕获不同时间尺度上的依赖关系，同时保持了卷积操作在并行计算上的效率优势。3.4模型训练与优化模型训练采用平均绝对误差作为损失函数：优化器选择Adam，初始学习率设为0.001，并采用余弦退火调度策略在训练过程中动态调整学习率。批大小设置为64，训练轮数上限为200轮，并设置早停机制当验证集损失连续15轮未下降时终止训练。为防止过拟合，在全连接层之间施加dropout操作，丢弃率设为0.1。所有实验在单个NVIDIAV100GPU上完成。四、实验设置与结果分析4.1数据集实验采用两个广泛使用的公开交通数据集：METR-LA和PEMS-BAY。METR-LA数据集包含洛杉矶高速公路网上207个传感器采集的交通速度数据，时间范围为2012年3月1日至6月30日，采样间隔为5分钟，共计34272个时间步。PEMS-BAY数据集包含加州湾区325个传感器采集的交通速度数据，时间范围为2017年1月1日至5月31日，采样间隔同样为5分钟，共计52116个时间步。数据预处理阶段，两个数据集均按照70%、10%、20%的比例划分为训练集、验证集和测试集。传感器间距离通过经纬度坐标计算，用于构建静态邻接矩阵。所有输入特征采用Z-score标准化处理，预测结果转换回原始尺度后计算评估指标。4.2评估指标与基线方法评估采用三个标准指标：平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）。三个指标均为值越小表示预测精度越高。预测步长设置为15分钟（3步）、30分钟（6步）和60分钟（12步）三个级别。基线方法包括：历史平均法（HA）、向量自回归（VAR）、支持向量回归（SVR）、长短期记忆网络（LSTM）、门控循环单元（GRU）、扩散卷积循环神经网络（DCRNN）以及图波网络（GraphWaveNet）。其中DCRNN和GraphWaveNet是近年来在时空预测任务上表现突出的图神经网络方法，作为本项目模型的主要对比对象。4.3主要实验结果在METR-LA数据集上，本项目模型在15分钟预测步长下取得MAE为2.69、RMSE为5.24、MAPE为6.70%的性能，相较于GraphWaveNet的对应指标（2.69、5.23、6.90%）在MAE和RMSE上达到相当水平，在MAPE上有一定改善。相较于DCRNN的15分钟预测结果（2.77、5.38、7.30%），三个指标分别降低了2.9%、2.6%和8.2%。在30分钟预测步长下，本项目模型的MAE为3.15、RMSE为6.25，比DCRNN分别降低了4.5%和4.9%。在60分钟长时预测下，本项目模型的MAE为3.62、RMSE为7.53，比DCRNN分别降低了2.9%和4.1%。在PEMS-BAY数据集上，本项目模型同样展现出稳定的性能优势。15分钟预测步长下MAE为1.55、RMSE为3.15、MAPE为3.30%，相较于GraphWaveNet的1.59、3.30、3.56%，在三个指标上均实现了改善。30分钟预测下MAE为1.82、RMSE为3.84，相比DCRNN的1.87和4.01分别降低2.7%和4.2%。60分钟预测下MAE为2.17、RMSE为4.70，相比DCRNN的2.23和4.79分别降低2.7%和1.9%。相较于传统方法，深度学习方法的优势更为显著。以LSTM为参照，在METR-LA数据集60分钟预测步长下，LSTM的MAE为4.13、RMSE为8.08，本项目模型分别改善了12.3%和6.8%。这表明时空图卷积架构在捕获空间依赖方面相较仅时序建模的方法具有显著优势。4.4消融实验为验证各模型组件的有效性，开展了系统性的消融研究。实验设置了四个模型变体：（1）去除自适应邻接矩阵，仅使用基于距离的静态邻接矩阵的“w/oAdapAdj”变体；（2）去除多尺度时间卷积，替换为单一1×3卷积核的“w/oMultiScale”变体；（3）去除门控线性单元，替换为普通ReLU激活的“w/oGLU”变体；（4）完整模型。在METR-LA数据集上，去除自适应邻接矩阵导致60分钟预测MAE从3.62增加到3.78，涨幅约4.4%；去除多尺度时间卷积导致MAE增加到3.85，涨幅约6.4%；去除门控线性单元导致MAE增加到3.73，涨幅约3.0%。在PEMS-BAY数据集上，三个变体的MAE分别增加了3.7%、5.5%和2.8%。消融结果表明，自适应邻接矩阵和多尺度时间卷积对模型性能的贡献最为显著，验证了动态空间依赖建模和多尺度时序捕获能力的重要性。4.5计算效率分析在计算效率方面，模型在METR-LA数据集上的单轮训练时间约为28秒，总训练时间约为56分钟（200轮），推理阶段单次预测耗时约为4.2毫秒。对比DCRNN的单轮训练时间约45秒、GraphWaveNet约35秒，本项目模型在保持较高预测精度的同时，训练效率也有所提升。这得益于纯卷积架构的高度并行性以及自适应邻接矩阵计算的轻量化设计。推理阶段的毫秒级耗时完全满足实时交通预测的应用需求。五、模型可解释性分析交通预测模型在实际部署时不仅需要提供准确的预测值，还需要具备一定的可解释性，以便交通管理者理解预测依据并建立信任。针对这一需求，本项目从两个维度开展可解释性分析。在空间维度上，通过分析自适应邻接矩阵的行向量分布，可以识别每个节点在空间特征聚合时重点关注哪些其他节点。实验发现，在高峰时段，自适应邻接矩阵中跨区域的长距离边权重明显增加，表明模型能自动发现高峰期拥堵传播的非局部特征。相反，在午夜低峰时段，邻接矩阵的分布趋向于集中于附近的物理邻居节点，符合该时段交通状态主要由本地因素决定的直观认知。在时间维度上，通过分析门控线性单元中遗忘门的激活值，可以观察模型对不同时间步历史信息的保留程度。统计显示，距离预测目标最近的时间步对预测的贡献最大，但周期性的时间步（如前一天的同一时刻、一周前的同一时刻）也保持着相对较高的门控激活值，说明模型成功地隐式编码了交通数据的周期性特征，且无需额外的人为周期特征工程。六、问题与展望尽管本项目提出的时空图卷积模型在预测精度和计算效率上均取得了较好表现，但仍存在若干值得继续深入的问题。首先，当前模型假设路网拓扑在预测时段内保持不变，而实际城市路网可能因道路施工、交通管制、突发事件等因素发生临时性的拓扑变化。如何在模型中引入时变拓扑建模能力，是一个具有实践价值的研究方向。其次，本项目使用的数据集仅包含传感器所在位置的交通状态，传感器布设密度有限，路网覆盖不完整。探索基于图推理的缺失数据补全与全路网状态估计方法，可以扩大模型的应用范围。第三，模型的超参数（如时空卷积块数量、隐藏维度、嵌入维度等）主要通过经验设定和网格搜索确定，未来可以采用神经架构搜索方法实现自动化的结