交通控制和诱导系统是智能交通系统的核心组成之一,良好的交通控制系统能保障道路交通的高效安全运行。智能交通系统中的各个应用系统都依赖于对交通流等信息的分析和处理,交通预测的准确度决定了交通控制和诱导策略的有效性。如今,能够收集的交通数据日益丰富,我们已经进入了交通大数据时代。如何挖掘利用丰富的交通大数据进行更加准确及时的交通流预测,帮助管理者做出更好的交通管控方案,为交通拥堵治理提供支持是一个重要的课题。为了挖掘交通道路网络上交通流数据复杂的时空相关性,准确及时地预测交通流参数,本文将交通网络当做图来学习建模时空关系,构建了三种时空图神经网络模型,来提取交通流数据中复杂的时空相关性。本文的主要研究内容如下:(1)分析图神经网络的相关研究进展。重点介绍了图神经网络研究最重要的突破图卷积神经网络,其理论知识背景和代表方法。然后介绍了图注意力机制GAT的相关理论和研究,最后介绍时空图网络应用的具体实例,为基于时空图神经网络的交通流预测模型的建立提供指导依据。(2)通过研究卷积神经网络CNN在交通网络中捕捉空间关系的局限,结合图神经网络的最新发展,利用图卷积神经网络GCN来建模交通道路网络空间关系,将交通网络当做图来学习建模时空关系,利用双向LSTM网络来建模时间关系,提出了 一种结合图卷积网络GCN和长短时记忆网络LSTM的交通流预测方法GCBLSTM,能够实现对时空相关的图结构数据的预测,在两份真实世界的交通速度数据集上测试提出模型的性能。(3)通过研究时间卷积神经网络的结构、原理和处理序列数据的优势,结合图卷积网络,提出了一种结合图卷积网络GCN和时间卷积网络的交通流预测方法STGCN。STGCN利用扩展因果卷积层来提取交通流数据的时间相关性,利用图卷积层提取节点的空间相关性,进行时空卷积模块的堆叠,可以捕捉长范围的时间依赖,能够处理图结构的时空序列的预测问题,利用美国加州交通局性能测量系统PeMS采集的交通流量数据进行训练和测试。(4)通过分析图卷积网络GCN在交通预测应用中的局限,引入了图注意力网络GAT。通过分析图注意力网络和门控循环单元GRU网络的结构、原理,提出了一种结合图注意力网络GAT和GRU网络的交通流预测方法GAGRU。GAGRU利用GRU网络来提取交通流数据的时间相关性,利用图注意力机制在每个时间步得到自适应邻接矩阵,来捕捉道路网络的空间相关性,能够实现对图结构的时空序列的预测,利用PeMS系统采集的交通流量数据进行实例验证。