阅读提示
建议先通读一遍，再回看题目、开头、过渡和结尾，更容易提炼出可借鉴的写作框架。
本研究主要采用文献研究法、数据挖掘法与深度学习建模相结合的技术路线。首先通过文献研究法系统梳理交通预测领域的经典模型（如ARIMA、LSTM、Transformer）及其优化策略，明确现有方法的优势与局限。在此基础上，利用城市交通管理部门提供的实时交通数据（包括车流量、车速、道路占有率等），进行数据清洗、缺失值插补与时空特征提取，构建标准化数据集。
核心建模阶段采用改进的图卷积神经网络（GCN）与注意力机制融合的预测框架。具体步骤包括：将道路网络抽象为图结构，节点表示监测点，边表示道路连接关系；通过GCN捕捉路网空间依赖性，结合时间注意力机制动态加权历史流量序列，以捕捉早晚高峰等周期性规律；最后使用多步预测解码器输出未来1小时内的路段级流量分布。模型训练采用均方误差损失函数，以Adam优化器进行参数迭代更新，并引入早停策略防止过拟合。
为验证模型有效性，设计对比实验与消融实验：将本模型与基线模型（如LSTM、STGCN）在相同测试集上对比MAE、RMSE指标；通过消融实验分析GCN模块、注意力模块对预测精度的贡献度。采用交叉验证法评估模型鲁棒性，并利用Shapley值解释关键特征（如天气、节假日）对预测结果的影响权重。所有实验均在PyTorch框架下实现，数据可视化部分借助Matplotlib与Folium库完成时空规律呈现。