基于双流图卷积网络模型的交通状态预测方法研究

信息传输、软件和信息技术服务业

在路网数据表示方面，研究了路网图时空动态关系序列表征与生成方法、路网图序列的时序关系发现，以表征和挖掘潜藏在路网序列数据中的动态性和相关性，改善预测模型的时空特征表达能力； 2、研究了基于多优化路网图卷积网络的空间增强算法、基于简单预测算法的时间增强算法、以及基于对比学习算法的网络预训练模型，从而得到较好的初始预测模型； 3、在预测模型构建方面，建立了对偶动态时空超图的交通数据预测模型，以及基于动态超图结构学习的交通数据预测模型。这些模型不仅深入挖掘交通数据时空特性，而且挖掘和优化了交通节点之间的高阶关联，提升超图的表示能力，提高交通预测精度。

拟以专利转让形式进行转化。

可国（境）内外转让

本项目面向城市交通预测的应用需求，针对交通路网数据动态变化，特征关联复杂等现实问题，深入挖掘了交通数据时空特性，研究了交通路网动态数据的特征关系表示方法，提出了基于图卷积深度网络模型的交通预测方法，使城市交通数据的预测性能得到了改善。转化预期效益体现在：优化交通管理：通过准确预测交通流量，城市管理者可以优化交通信号控制，调整交通灯配时，减少交通拥堵，提高道路通行效率。支持城市规划：交通流量预测为城市规划提供了重要依据，有助于合理规划城市道路网络和公共交通系统。提高预测准确性：本项目研究成果有助于提高整个交通系统的可靠性和效率。重大赛事活动等特殊事件的交通疏导：有助于应对重大赛事活动等特殊事件（如体育赛事、音乐会等）带来的交通流量变化，提前采取疏导措施。经济效益：减少交通拥堵、节省出行时间、降低因拥堵造成的经济损失，减少燃料消耗和空气污染。 数据驱动的决策支持：交通预测模型可以为交通管理者提供数据驱动的决策支持，帮助制定更科学的交通政策和规划。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

本项目面向城市交通预测的应用需求，针对交通路网数据动态变化，特征关联复杂等现实问题，深入挖掘了交通数据时空特性，研究了交通路网动态数据的特征关系表示方法，提出了基于图卷积深度网络模型的交通预测方法，使城市交通数据的预测性能得到了改善。经过三年的研究，主要取得了如下研究成果： 1、在路网数据表示方面，研究了路网图时空动态关系序列表征与生成方法、路网图序列的时序关系发现，以表征和挖掘潜藏在路网序列数据中的动态性和相关性，改善预测模型的时空特征表达能力； 2、研究了基于多优化路网图卷积网络的空间增强算法、基于简单预测算法的时间增强算法、以及基于对比学习算法的网络预训练模型，从而得到较好的初始预测模型； 3、在预测模型构建方面，建立了对偶动态时空超图的交通数据预测模型，以及基于动态超图结构学习的交通数据预测模型。这些模型不仅深入挖掘交通数据时空特性，而且挖掘和优化了交通节点之间的高阶关联，提升超图的表示能力，提高交通预测精度。 经过三年的研究，顺利完成任务书中的各项研究内容和指标，共发表学术论文18篇，其中国际期刊论文16篇，CCF A、B类会议论文各1篇；申请国家发明专利2项，授权2项；培养博士生3人，硕士生3人。