全球范围内的很多大型城市都一直备受交通拥堵的困扰,而且伴随着城市规模的扩大,大型城市的虹吸效应十分明显。城市人口的增加、汽车保有量的增加、道路基础设施的落后导致拥堵问题尤为突出。城市短时交通流拥堵预测问题对拥堵演化过程建模,为城市居民的出行提供路径决策指导,而且也能为交通管理部门提供有效的警力部署决策信息。因此,拥堵短时预测问题能够在某种程度上为解决城市拥堵问题提供一定的辅助作用。虽然城市交通拥堵的短时预测问题一直都是交通领域关注的热点,但是城市拥堵受多元因素影响,而且以往的拥堵预测手段都有一定的局限性。以往在解决交通拥堵短时预测问题时,普遍常用的方法主要分为两类:一类是基于统计理论的模型,例如AR/MA/ARMA/ARIMA以及卡尔曼滤波等方法,但是这类方法对于交通流的非线性和不确定性等特征的捕捉能力较差。另一类是以机器学习、深度学习为主的基于知识发现的模型,这类模型擅长从数据中挖掘未知的模式,能够不断学习到数据中的特征。在利用深度学习进行拥堵预测时,传统的CNN方法存在粒度不够细,格网反算成路段存在多种可能性等问题。而LSTM、GRU、RNN等模型也只能捕获时间维度特征,忽视了交通拥堵的空间相关性。正是在基于上述问题,本文以路段为基本单元,针对交通拥堵的特点,设计了一种多尺度分段方法对道路分段,然后利用道路网自身的拓扑属性,将城市路网表示成图结构形式,采用利用图卷积模型进行拥堵的短时预测。本文的主要研究内容及研究成果包括:(1)交通拥堵的时空分布特征分析。首先从时间分布特征上分析出拥堵具有工作日、双休日、节假日三种拥堵模式,其中工作日从周一至周五的拥堵特征都比较类似,呈现出宽度较窄的双峰模式;双休日呈现出持续时间长,峰值稍小的模式;节假日在假期早期呈现拥堵严重,中期拥堵减弱,后期出现拥堵晚高峰的模式。从空间分布特征上分析出拥堵热点的形成与交通事件等有关,交通拥堵与道路等级存在一定的相关性。(2)交通拥堵短时预测。提出多尺度道路分段的方法对道路进行划分,利用道路的拓扑关系对分段后的道路进行图表达,采用时空图卷积模型进行城市交通拥堵的短时预测。结果表明STGCN模型具有最好的预测效果,其次是T-GCN模型,相对于HA、ARIMA等传统模型具有很大的优势,验证了时空图卷积方法在交通预测问题上的有效性。另外,实验表明,图卷积对网络结构具有很高的自适应能力,在不同路网结构下,都能表现出不错的预测效果。