城市交通路网动态短时推理与精准预测研究

城市路网结构对于交通拥堵的形成及其在时空上的传播过程具有重要的影响。然而，在基于传统交通模型或深度学习模型的研究中，交通模式的生成与传播往往并未考虑路网特征，且只能通过交通特征指标进行间接刻画，使得难以动态描述其在时间及空间维度上的特征，导致交通模式传播预测精准度不高且缺乏针对性。为了解决上述问题，提出了一种新型的基于交通模式推理的交通预测框架TP2。该框架将拥堵传播模式建模为一个随时间变化的时序知识图谱，并使用一种包含了全新聚合函数RGraAN的推理框架进行时序推理，以捕捉交通拥堵的动态时变传播模式，将路段和与其存在交通模式关联的路段进行组合，并构建时空关联路网子区域，然后基于图神经网络的交通短时预测模块充分挖掘子区内的交通流时空相关性，并预测子区内各个路段的未来速度变化情况。与现有方法相比，TP2预测精度相比A3T-GCN模型有1%～2%的提升。