科研导师
Prof. Luo211高校副教授
导师介绍
研究领域：交通时空预测 学术成果：以第一作者身份发表计算机行业核心期刊论文8篇，包括中科院一区2篇； 长期担任多个定期期刊/会议的审稿人，包括IEEE Transactions on Intelligent Transportation Systems，IEEE Transactions on Intelligent Vehicles等。
基于时空图卷积网络的交通流预测方法研究
- 课题名称
- 基于时空图卷积网络的交通流预测方法研究
- 学科专业
- 课题关键词
- 辅导模式
- 1对1
- 发表目标
- SCI期刊1～3区CCF-A/B
- 课题介绍
- 随着城市化进程加速与机动化水平提升，交通拥堵已成为制约城市可持续发展的关键问题。交通流预测作为智能交通系统（ITS）的核心环节，通过对历史交通数据的建模分析，实现对未来交通状态的精准预估，可为交通管控、路径规划及资源调配提供科学依据，对缓解拥堵、提升出行效率具有重要现实意义。交通流数据具有显著的时空特性：空间上，道路网络中各监测点通过拓扑结构形成复杂关联（如上下游路段流量传导）；时间上，流量变化呈现周期性（如早晚高峰）与突发性（如事故影响）等动态演化规律。传统预测方法中，统计模型（如ARIMA）受限于线性假设难以捕捉非线性关系，浅层机器学习模型（如SVM）对时空耦合特征的提取能力不足，而单一时间序列模型（如LSTM）虽能捕捉时间依赖，却常忽略路网空间拓扑结构。图卷积网络（GCN）可通过图结构建模节点间空间关联，结合时间序列模型（如GRU）形成的时空图卷积网络（STGCN），为同时捕捉交通流的空间相关性与时间动态性提供了有效框架。因此，深入研究基于STGCN的交通流预测方法，对提升预测精度、推动智能交通理论与应用发展具有重要学术价值。
导师信息
招生要求
面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。