本推文介绍了交通运输工程学报论文的一篇论文《基于数据驱动的路网连续交通流短时预测方法综述》。该综述梳理了数据驱动的路网连续交通流短时预测方法从经典统计模型、机器学习模型到深度学习模型的演变历程，重点分析了循环神经网络、图卷积网络等深度学习预测模型的建模机理与优劣，以及联邦学习、迁移学习等数据处理技术的应用价值。同时，论文从时空特征挖掘、数据融合、模型轻量化等五个方面展望了未来研究方向，为该领域的工程应用与技术深化提供了参考。

原文链接：https://transport.chd.edu.cn/cn/article/doi/10.19818/j.cnki.1671-1637.2026.141

论文引用：刘伟,钟灿,曹文明.基于数据驱动的路网连续交通流短时预测方法综述[J/OL].交通运输工程学报,1-23[2026-03-19].https://doi.org/10.19818/j.cnki.1671-1637.2026.141.

本推文由邓镝撰写，审核为王一鸣。

期刊介绍

《交通运输工程学报》（月刊，ISSN 1671-1637，CN 61-1639/U）由教育部主管，长安大学主办，国务院学位委员会交通运输工程学科评议组、西南交通大学与东南大学共同协办。学报是交通运输工程领域的权威学术期刊，国务院学位委员会交通运输工程学科评议组成员皆为编委。学报于2001年创刊，2004年起被EI数据库收录，2007年由季刊变更为双月刊，2026年变更为月刊。主要刊载铁路、公路、航空、水运、管道运输等领域的学术论文。 根据《2025年版中国科技期刊引证报告（核心版）》提供的数据，《交通运输工程学报》核心影响因子为1.653，在国内11种交通运输工程类期刊中，学报综合评价总分连续多年排名第一；根据《中国学术期刊影响因子年报(2025版)》提供的数据，《交通运输工程学报》复合影响因子为3.410，5年影响因子为5.645，在全国交通运输工程学科169种期刊中，学报影响因子排名第五。

一、研究背景与意义

随着机动车保有量提升导致交通拥堵加剧，人工智能与实时交通数据采集技术发展推动智能交通系统（ITS）成为治理核心，而短时交通流预测是ITS快速响应与决策的基础，可支撑交通管控与诱导，提升道路通行能力。短时交通流预测通过分析历史与实时的交通数据，从而对短时交通流量、速度、密度等交通参数进行定量或定性的预测。该过程受时间周期性、空间差异性、天气、节假日、突发事件等多方面因素的影响，使得建模难度较大。已有许多回顾短时交通流预测工作的论文，然而过往研究多聚焦模型、应用场景与数据融合，缺乏对近年来新技术的系统梳理。鉴于此，该论文对基于数据驱动的路网连续交通流短时预测方法进行了回顾和总结。

二、短时交通流预测的发展历程

短时交通流预测的方法可分为模型驱动和数据驱动两大类，其中数据驱动是当前研究主流，其经历了经典统计、机器学习、深度学习三个阶段。为方便读者理解，将短时交通流预测的发展历程进行了可视化，如图1所示。

图1 短时交通流预测的发展历程

三、短时交通流预测的主流模型

1.循环神经网络（RNN）

RNN是一种专门设计用于处理序列数据的神经网络架构。其核心思想在于网络中存在循环连接，使得当前时刻的隐藏状态不仅依赖于当前输入，还依赖于前一时刻的隐藏状态，从而具备一定的记忆能力来捕捉序列中的时间依赖性。然而，传统RNN在训练长序列时容易遭遇梯度消失或梯度爆炸问题，导致难以学习到长期的依赖关系。为了有效缓解这一问题，引入了具有门控机制的改进RNN结构，其中LSTM和SGRU最为常用且效果显著。代表模型包括IDBiLSTM、GAE-GRU等。

2.图卷积网络（GCN）

GCN是一类专门用于处理图结构数据的神经网络模型，它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。近年来，针对交通流预测中动态时空关联建模的难题，研究者们引入了基于自适应图结构、动态图结构以及自适应动态图结构的GCN并通过创新图结构学习机制实现了模型性能不同程度的提升。代表模型有MSTAGNN、DSTGRNN、HSTGNN等。

3.多头注意力机制与Transformer架构

注意力机制作为一种模拟人类认知注意力分配的生物智能行为模型，近年来在交通流预测领域展现出强大的建模能力。交通流数据具有复杂的时空依赖性，传统方法难以有效捕捉其动态变化特征，而注意力机制通过动态权重分配，能够自适应地聚焦于输入数据的关键部分，显著提升了预测模型的精度和鲁棒性。近年来针对交通流预测中动态时空关联建模的难题，研究者们通过创新注意力机制实现了模型性能的提升。代表模型包括TC-GCN、STGAFormer等。

4.神经常微分方程（Neural ODE）

Nrural ODE作为一种融合了神经网络与微分方程理论的新型模型，为交通流预测等时空序列分析任务提供了新的解决思路。其核心思想在于将神经网络的层间转换建模为一个连续的动态过程，而非传统的离散跳跃。在交通流预测领域，神经微分方程在缓解过平滑问题以及连续建模方面展现出显著的优势。代表模型包括HSTGODE、CAG-NSPDE等。

5.基于超图理论的模型

超图理论作为图论的扩展，通过引入超边概念突破了传统图中边仅能连接2个节点的限制，为复杂系统建模提供了新的视角。在交通流预测领域，基于超图理论的模型凭借其捕捉高阶空间相关性的能力，展现出显著优势。代表模型有A2HGCN、SHCN等。

6.轻量化模型

在交通流预测领域，轻量化架构通过简化模型复杂度、优化计算效率，在保证预测精度的同时显著降低了资源消耗。这类架构通常采用模块化设计、参数共享或动态特征选择策略，以适应交通数据的时空动态特性。代表模型包括ST-GMLP、MFGCN等。

四、结论

随着交通数据复杂度提升，具备端到端时空特征挖掘能力的深度学习模型已取代传统统计、机器学习模型，成为短时交通流预测的核心方法。数据处理技术是模型优化的关键，联邦学习、迁移学习等技术能有效解决交通数据的实际痛点，提升模型的工程应用性能与可扩展性，是模型性能优化的必要组成部分。短时交通流预测的模型还需要在如下方面进一步提高：采用多尺度周期数据增强输入，提高动态时空建模能力，使模型更加轻量化、更加鲁棒，在预测精度、泛化能力、稳定性等多方面综合表现更优等。

五、研究展望

短时交通流未来可能的的研究方向，主要包含如下几方面。

（1）时空特征挖掘

时空特征是提升短时交通流预测模型性能的基础。时空特征挖掘方面可以重点研究高阶动态空间关系、多尺度连续时间建模、深度时空特征融合等。

（2）多源数据融合

针对数据异构性、冗余性等问题，可以研发更先进的融合算法，整合更大规模、更高维度的多源交通数据。

（3）模型轻量化

通过架构优化、参数共享进一步降低计算成本，提升模型的实时性与硬件适配性，使模型更加轻量化，从而满足工程部署的实际需求。

（4）跨领域知识迁移与新技术应用

可以借鉴气象、能耗预测等领域的方法，结合大模型、联邦迁移学习等新技术，进一步提升模型的智能化水平。

（5）完善工程落地支撑体系

在短时交通流预测的具体应用方面，可以增强实时数据采集、 传输 、预处理的算力支撑，进一步使预测模型满足数据隐私与网络安全合规的要求，还可以通过误差修正方法提升预测模型的实际应用精度。

如需要了解更多短时交通流预测的内容，请阅读论文原文。

您也可以点击如下专栏，下载和阅读更多相关文章。《交通运输工程学报》综合交通枢纽运行组织与智能服务专栏https://mp.weixin.qq.com/s?__biz=MzI5MTczODUyNQ==&mid=2247494285&idx=1&sn=e21a9fef5183410162e3101bacbbcd84&scene=21#wechat_redirect