【目的】 为提高交叉口中车辆轨迹预测精度，解决交叉口多车交互场景中的轨迹预测难题。【方法】 构建强化邻接图卷积（EAG-GCN-T）的车辆轨迹预测模型，采用公共数据集INTERACTION并对数据噪声进行平滑处理，开展模型对比验证试验，与不同基准模型比较误差评估指标，验证轨迹预测精度、对比交互能力、分析泛化能力与驾驶行为识别。在模型构造上，EAG-GCN-T模型将强化邻接图卷积网络（EAG-GCN）与Transformer模型结合，EAG-GCN模块通过考虑相对速度与距离，利用强化加权邻接矩阵精确建模车辆空间交互关系，Transformer模块捕捉时间依赖性并生成未来轨迹，提升了时空预测能力。【结果】 在预测效能方面，单车轨迹长时段预测时，平均位移误差（ADE）和最终位移误差（FDE）较CV、ARIMA、CNN-LSTM分别降低69.4%、39.8%、33.3%和71.9%、32.5%、27.4%；多车交互预测中，与GRIP模型相比，FDE降低19.5%和20.6%；与3种交互机制对比，EAG-GCN-T在所有时域下总体误差最低，ADE/FDE分别为0.53和0.74，且行驶区域符合度（DCA）和轨迹点丢失率（MR）更合理，在匝道和环形交叉口适应性良好。在驾驶行为方面，模型能精准预判跟驰、变道、避让等行为及其对轨迹的影响，预测轨迹与真实轨迹高度一致。【结论】 EAG-GCN-T模型有效解决了交叉口多车交互场景中的车辆轨迹预测问题，具有高精度、强交互性和良好的泛化能力，为智能交通系统的车辆轨迹预测提供了新的解决方案。

【目的】 随着城市化进程的加速和机动车数量的剧增，城市交通系统面临着巨大的压力。智能交通系统作为智慧城市的重要组成部分，被广泛应用于改善城市交通状况，交通速度预测即是其中的一个关键研究领域。实时且准确的交通速度预测对于缓解交通压力、优化交通运输和建设智能城市交通至关重要。然而城市交通网络节点间存在复杂的耦合关系和动态随机的时变特征，现有的预测方法往往难以准确捕捉其潜在的动态时空相关性。【方法】 本文将城市交通速度预测视为多变量时间序列预测问题，提出了一种基于多元时间序列动态图神经网络（MTDGNN）的交通速度预测模型。该模型基于实时交通信息，通过图学习层自适应地生成交通动态图，结合预定义的道路网络静态图，从多方面捕捉空间依赖性。同时，图卷积模块和时间卷积模块交替使用，构建多层次的空间邻域与时间感受野，充分提取交通数据的空间特征和时间特征。【结果】 本文在北京市东部城区2017年4月1日—5月31日397条路段的真实交通数据集上对 MTDGNN 模型进行了实验测试，并将预测结果与9个基准模型和7个消融实验模型进行对比。与9种基准模型相比， MTDGNN模型的平均MAE降低了至少2.24%，平均RMSE降低了至少3.98%。【结论】 MTDGNN模型在MAE、RMSE和MAPE评估指标上均取得了最优的预测精度，表明该模型在复杂交通场景中的优越性与鲁棒性。

【目的】 准确、可靠的交通状态预测信息是智能交通系统（ITS）中许多应用的基础。然而，城市道路网络连接关系复杂，且存在较大的空间依赖性建模挑战。传统的图卷积神经网络（GCN）广泛应用于交通预测中，但其并未专门为交通问题设计，无法充分考虑交通网络的特性，如路段的行驶方向、转向规则等。因此，本研究旨在提出一种新的图卷积网络模型，能够有效建模城市交通路网中的转向关系，从而提升交通预测精度。【方法】 研究从交通网络的特性出发，考虑到中心路段与其邻居路段的转向关系和相对位置构建了新型的图卷积网络，称为转向图卷积神经网络（Turn-based Graph Convolution Neural Network, TurnGCN）。TurnGCN方法将城市路网建模为异构图，图中的边代表路段间的转向关系。在计算过程中，TurnGCN通过引入转向表来标记邻居节点，并将节点特征映射为欧氏空间的特征栅格后，利用卷积神经网络（CNN）对节点特征进行融合。【结果】 在2个现实世界交通数据集上进行了模型的对比实验：韩国首尔的Urban-150数据集和中国上海的SHSpeed数据集。实验结果表明，在多个评估指标上，TurnGCN的预测精度均达到最高，且参数量小于基于空间注意力机制的GCN变体。【结论】 TurnGCN为城市路网交通预测提供了一种有效的解决方案，显式地建模了基于转向的空间关系。它有效克服了传统GCN和注意力机制模型的局限，显著提高了预测性能，同时参数共享的机制保持了模型的计算效率。这些优势突出了TurnGCN在智能交通系统中的实际应用潜力，尤其在交通流量优化、拥堵管理和智能导航系统中具有广泛的应用前景。

【目的】 我国诸多城市采用的多中心空间战略，被认为是解决各类“城市病”的有效手段，而对多中心空间结构的建设效果进行评估是建立和完善城市空间格局的基础。【方法】 本研究提出一种新的技术方法，用于求解平均通勤距离最低时的最优多中心格局，通过比较现状与最优城市空间结构之间的差异性，实现对城市空间结构的量化评估。具体而言，本研究： ① 将城市结构对通勤格局的主要影响路径概括为“多中心结构-工作地分布-居住地分布-通勤流分布”； ② 整合多种机器学习模型，解析上述动态过程，识别现状各中心的发展水平； ③ 使用智能优化算法，以平均通勤距离最短为优化目标，计算出各中心对应的最优权重； ④ 构建并计算可优化度和均衡化趋势两项空间结构评估指标。【结果】 本研究选取京津冀大都市区全部13个地级市的中心城区为研究对象开展实证检验，结果表明，上述的技术方法可以较好地识别城市的现状多中心结构特征，推断城市空间未来的优化方向，对城市空间策略的实施效果进行有效的评估。【结论】 实验结果将研究范围内的城市分为4个类别，并提出针对性的优化方向和策略，为城市治理提供决策支持。

【目的】 城市交通流量预测对智能交通系统至关重要。传统方法常将路网划分为栅格进行区域预测，但忽略了道路间的关联，导致预测结果无法准确反映交通流变化。基于道路段数据的方法虽能捕捉道路间的空间联系，却面临轨迹映射时数据冗余、轨迹错配和数据稀疏等问题。【方法】 为了解决这些问题，本文提出了一种用于道路级稀疏交通流预测的注意力时空神经网络(ASTNN)模型。模型首先对轨迹数据做预处理和基于隐马尔可夫模型（HMM）的地图匹配，得到各道路段的交通流数据；并采用面向路网的自适应紧凑二维图像表示方法，将路网表示为以道路段为像素点的二维图像。在分析交通流时空特征的基础上，提出了两种新的注意力时空模块：注意力时空记忆块（ASTM block）和注意力时空聚焦块（ASTF block），分别用于时间相关性挖掘和空间稀疏特征提取。基于这2个模块，并融合外部信息，构造了ASTNN模型实现道路级交通流预测。 【结果】 本研究以成都出租车轨迹数据为研究对象，在成都市三环区域内的五级路网中，完成了轨迹数据的预处理和流量的映射，并对流量预测模型进行了验证。 结果显示，本文所提出的数据处理方法可使轨迹与路网匹配时间降低73.6%。在与CNN、ConvLSTM、GRU、STNN等现有方法的对比实验中，本文方法在RMSE、MAE以及R²等指标上均取得了最优的预测准确度。在此基础上，进一步验证了在ASTNN中引入温度信息对提高预测准确度的显著作用，为模型性能优化提供了新的思路。【结论】 本研究提出的ASTNN模型为城市道路级稀疏交通流预测提供了可行的实施思路和技术路线。