随着国家经济实力的快速提升以及城市化进程的加快,城市交通参与者大幅增多,城市交通出行需求剧烈增长,导致交通拥塞现象在各大城市交通环境中时有发生。如何缓解城市交通拥塞现象,从而合理调度城市交通资源,提高城市交通效率,是一个迫切需要解决的问题。城市交通拥塞时空模式的挖掘研究,可以捕捉城市交通拥塞分别在时空维度上的传播模式,挖掘影响城市交通拥塞传播的时空因素,从而精准地预测未来的城市交通拥塞情况,为未来城市交通资源的合理调度、城市交通拥堵分流以及维护城市交通状态稳定等方面提供强有力的支持。稳定和准确的城市交通拥塞状态预测和城市交通拥塞时空模式挖掘对城市交通运行具有十分重要的研究意义和实际应用价值。本文旨在预测长春市中心区域的主要道路在未来的拥塞状态,同时挖掘城市路网的拥塞时空传播模式。研究主要使用长春市出租车轨迹数据和长春市路网结构数据。本文首先将出租车轨迹数据在长春市矢量路网上进行地图匹配,将出租车的轨迹点映射到城市具体道路中;然后利用出租车轨迹数据计算路网中每条路段在每个时间片的平均通行速度;最后通过道路平均通行速度获得当前道路的拥塞状态。由于同一路网中不同道路具有差异性,例如:道路车道数量和道路类型,因此我们需要使用考虑了道路差异性的评价指标来描述城市路网的拥塞状态。在本文中,我们使用了城市交通指数作为评价指标。为了精确地预测未来城市路网的拥塞状态,同时准确地挖掘城市交通拥塞传播的时空模式,本文提出了两个新的模型:基于动态交通相关性的时空图卷积网络模型和基于路径感知的循环神经网络模型。基于动态交通相关性的时空图卷积网络模型将连续时间片的路网拥塞状态映射为连续的图。在每张图中,顶点代表路网中的路段,边代表路段的连接性,点的属性代表路段在当前时间片的拥塞状态。为了描述城市交通的动态时空相关性,本文利用动态的流量转移矩阵来计算图在不同时间片的动态邻接矩阵,并在每一张图上分别执行多层图卷积操作。同时,本文提出一种新的时空注意力机制与图卷积相结合,从而自适应地学习城市交通拥塞的动态时空关联性。最后,时空图卷积网络模块同时学习城市交通拥塞的动态时空特征,路网结构以及道路特征,实现城市路网拥塞状态预测任务。基于动态交通相关性的时空图卷积网络模型可以取得准确的交通拥塞状态预测精度,但是它在城市交通拥塞时空传播模式挖掘方面的能力有所欠缺。因此,本文提出了基于路径感知的循环神经网络模型。相似地,基于路径感知的循环神经网络模型首先同样将城市路网交通拥塞状态映射为相同的连续图结构。然后,根据路网中道路的连接性将相邻时间片的图连接,得到道路的拥塞传播路径,并使用一个路径选择算法筛选和统一每条道路的拥塞传播路径数量。接下来,本文利用多层长短期记忆神经网络学习道路拥塞传播路径的时间模式并得到拥塞传播路径的向量表示,并利用软注意力机制来学习不同拥塞传播路径对于目标道路拥塞状态的影响程度。最后,模型使用图卷积网络整合不同拥塞路径的向量表示,然后通过全连接层实现拥塞状态预测。本文使用三个星期的长春市出租车数据作为研究对象,并对以上方法分别进行实验验证。实验证明,本文提出的基于动态交通相关性的时空图卷积网络模型和基于路径感知的循环神经网络模型在城市交通拥塞状态预测应用中的精确性。同时,通过实验和分析,验证了基于路径感知的循环神经网络模型在城市交通拥塞时空模式挖掘研究中的有效性。