摘要：城市交通流量预测是智慧交通的核心任务，传统 LSTM/CNN 模型因忽视路网拓扑结构（如传感器间的道路连接关系），难以精准捕捉拥堵传播规律。本文以公开 PeMSD4 数据集（旧金山湾区交通数据）为基础，采用图卷积网络（GCN）构建预测模型——通过将交通传感器视为'节点'、道路连接视为'边'，结合 PyTorch Geometric 工具实现端到端时空预测。全流程涵盖：数据获取与清洗（处理 12 个时间步历史数据）、路网图结构构建（基于距离的邻接矩阵）、GCN 模型搭建（含两层图卷积层）、模型训练与评估（对比历史平均法、LSTM）。实验显示，本文 GCN 模型在整体 RMSE（15.1）和关键路口 RMSE（19.6）上均优于传统方法，预测稳定性显著提升。需特别说明：本文为教学虚拟案例，所有结果基于离线回测，不可直接用于真实交通调度决策，实际落地需解决实时性、动态路网等问题。
一、为什么要用 GCN 做交通流量预测？（从实际痛点出发）
1.1 交通流量预测的现实意义
如果你是交通工程师或算法工程师，可能会遇到这些场景：
- 早高峰前需要预测主干道流量，提前调整信号灯时长；
- 导航 App 要告知用户'10 分钟后 XX 路口拥堵概率 80%'，建议绕行；
- 交通管理部门需要预判极端天气下的路网压力，部署应急资源。
这些场景的核心需求是'精准 + 实时'——但城市路网不是孤立的点，而是相互连接的'图'：比如主干道拥堵会顺着支线蔓延，跨区桥梁的流量变化会影响上下游路口。传统模型恰恰忽略了这种'连接关系'，导致预测偏差。
1.2 传统方法的 3 个致命痛点
我之前用 LSTM 做过交通预测，踩过不少坑，发现其难以捕捉路网拓扑关系。
