交通流预测是智能交通系统的关键技术之一,精准实时的交通流预测可以为道路交通管理部门提供实施管控措施的理论依据,为交通参与者提供合理的出行建议,从而优化路网资源的使用,是助力城市交通拥堵问题解决的主要手段之一。鉴于现实路网错综复杂的特点及城市道路交通系统对环境变化的敏感性,交通流数据表现为具有高度非线性的时序数据,当前研究中,数据驱动型方法以其对复杂非线性问题的高适用性成为交通流预测领域中的主要建模方法,主要依赖于深度学习模型实现。数据感知技术及人工智能技术的发展促进了交通大数据的产生,如何利用深度学习从规模庞大且错综复杂的交通流数据中挖掘有效信息,实现路网的未来时空态势感知,为交管部门及公众出行提供可靠服务,是智能交通领域中的重大挑战之一。论文基于交通流异质多元时空数据的特性实现区域性预测建模,结合深度学习组合建模理论、图卷积优化理论及数据融合技术提出多元时空数据驱动的区域路网时空态势感知、分析及应用的研究框架。首先,梳理了交通流预测的发展脉络,总结了当前交通流预测领域中的问题与挑战,阐明了研究的重点及基本方向,为论文的研究内容奠定了基本思路。其次,提出了多元时空交通数据的数据处理方案,分析了当前获取数据集的特点,以经过处理的数据为基础,分析了交通流数据的时空特性及多元参数扰动特性,把握特性建模的主要关注点,为预测模型的建立提供数据分析基础。随后,从交通流的时空特性出发构建适用于时空数据挖掘的图卷积门控循环单元,实现交通流的区域性时空预测;引入多头图注意力机制优化空间关联关系的量化表达,构建更加精准的路网时空关系;针对应用深层图卷积中出现的过平滑现象,提出多尺度图卷积算法,优化深层结构以提升图卷积网络的性能。最后,通过基于多元数据的决策级融合预测方案进一步提升区域性时空预测的精度及鲁棒性;单参量预测方法无法有效识别交通流数据中的非线性和不稳定性,因此独立针对交通流的内参关联特性和外部环境扰动建立了关联预测模型,构建多元支撑决策;针对多元数据较难同时满足不同参量特性建模和组合建模需求的问题,提出决策级显著线性融合预测算法,在决策级融合的层面降低多元数据深度学习组合建模的复杂度,通过预测值的融合重构提高预测结果的可靠性、鲁棒性和准确性,为构建多元数据支撑的智能决策系统提供了新的建模思路。研究为基于多元异质交通流时空数据的区域性预测问题提供了系统性的研究思路及技术基础,构建了精度高且普适性强的区域流量预测模型,推动时空态势感知在智能交通系统中的发展,可助力城市交通拥堵问题的缓解。