摘要
智能交通系统（Intelligent Transportation Systems, ITSs）已成为现代全球科技发展不可或缺的组成部分，因其在特定时刻对前往某一交通设施的车辆或人员进行精准统计估计方面发挥着关键作用，为交通分析的基础设施规划与设计提供了理想基础。然而，由于路网具有非欧几里得特性及复杂的分布结构，加之城市道路网络存在的拓扑约束，交通预测仍是一项极具挑战性的任务。为应对这一挑战，本文提出了一种融合图卷积网络（Graph Convolutional Network）、门控循环单元（Gated Recurrent Unit）与多头注意力机制（Multi-head Attention Mechanism）的交通预测模型，能够有效同时捕捉并整合交通数据在时空维度上的依赖关系及其拓扑序列中的动态变化。该模型在洛杉矶高速公路交通数据集（Los-Loop）上实现15分钟交通预测的准确率达91.8%，在深圳市出租车数据集（SZ-Taxi）上完成15分钟与30分钟预测的R²得分达到85%，充分证明其具备学习交通数据全局空间变化特征与动态时间序列演化的强大能力。该模型在SZ-Taxi与Los-Loop两个数据集上的表现均达到当前最优水平，显著提升了交通预测的精度与鲁棒性。