中国公路学报

作者：曹倩霞, 麦仟龙, 吕松涛, 王大为

单位：1. 长沙理工大学　交通学院，湖南　长沙　410114","2. 长沙理工大学　公路养护技术国家工程研究中心，湖南　长沙　410114","3. 哈尔滨工业大学　交通科学与工程学院，黑龙江　哈尔滨　150090

关键词：交通工程,交通流预测,深度学习,图神经网络,自适应图

<p>路网交通预测为交通管理和出行信息服务智能化提供了数据和服务保障，是为智能交通系统提供精准主动管控的核心关键。常态交通环境下的交通预测已经取得了良好的性能，而突发事件、天气突变等短期非线性扰动下的非常态交通预测面临诸多挑战。现有方法大多通过将路网预定义为固定图或简单参数图来捕捉空间关系，忽略了扰动因素影响下交通流在空间上表现出的显著动态变化，这导致预测出现偏差，难以实现精准管控。为此，提出了一种基于短期非线性扰动自适应图的神经网络（Ada-DTGNN），该网络从常态和短期非常态角度关注交通流的变化趋势来预测未来交通状态。首先开发一个新颖的自适应图学习模块，设计了2种参数化特征图，以全局特征图捕捉交通流的共同常态趋势，以独有特征图揭示短期非常态下的独有变化，最终通过加权融合的方式获取最优的路网图邻接矩阵并具备一定可解释性。此外，受门控循环网络（GRU）启发，将GCN以记忆单元的形式嵌入GRU内部结构中，构建新颖的时空卷积预测模块，实现同步捕获时空依赖关系，提升了预测精度。试验结果表明：Ada-DTGNN在真实交通流数据集上整体优于现有竞争模型，尤其在应对短期非线性扰动和突发事件等复杂交通场景时，展现出更高的预测准确性与更强的自适应能力；同时，通过消融试验和效果分析进一步验证了其结构在提升模型性能方面的重要作用，体现出良好的自适应性与一定程度的可解释性。</p>

来源：2025年第7期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2025年第7期