基于因果分析图的城市交通流短时预测研究

[目的]有效地挖掘区域之间复杂的空间作用关系机制,提高短时交通流预测精度.[方法]提出一种新的图神经网络模型,该模型融合区域功能相似性矩阵与因果关系矩阵,按照"交通时序因果关系挖掘→时空特征提取→未来状态预测"的逻辑进行预测建模,训练图神经网络捕获区域内流量的时空依赖性特征,从而实现交通流量预测.[结果]在成都市滴滴出行数据集上进行实验分析,结果表明所提模型较其他8种基线模型效果均有一定的提升,相较于最优基线模型,在RMSE及MAE值上分别降低了 3.098％和4.783％.[结论]交通时序因果图可以同时融合传统方法中通常需要考虑的空间距离关系特征、道路连通性特征、功能相似性特征等,且因果关系的引入能在一定程度上提升区域交通流的预测性能.