各位老师好，下面是我的毕业课题自述。我的课题题目是《基于深度学习的城市交通流量短时预测模型研究》。接下来我将从五个方面进行阐述。
首先是课题背景与意义。当前城市交通拥堵问题日益严重，智能交通系统成为缓解拥堵的关键。交通流量预测是智能交通系统的核心环节，准确的短时预测能为交通管理、路径规划提供实时数据支持。传统预测方法如历史平均法、时间序列模型在处理非线性、高维度交通数据时精度有限。我的课题旨在利用深度学习技术，构建一个能更准确捕捉交通流量时空依赖关系的短时预测模型，这对提升城市交通运行效率有实际应用价值。
其次是研究现状分析。我梳理了国内外相关文献，发现当前主流方法大致分为三类。一是基于统计理论的模型，比如ARIMA，但这类模型对数据平稳性要求高，难以适应交通流的突变。二是传统机器学习方法，比如支持向量机，它们在特征工程上依赖专家经验，模型泛化能力有限。三是深度学习方法，比如循环神经网络和卷积神经网络，它们能自动学习特征，但在捕捉长序列依赖和复杂空间关联上仍有不足。特别是如何有效融合时空特征，仍是当前研究的难点。我的研究正是在这个基础上展开的。
第三是研究内容与方法。我的核心工作是构建了一个融合图卷积网络和时空注意力机制的预测模型。具体来说，我将城市路网结构抽象为图数据，利用图卷积网络来提取路网中不同节点，也就是交通监测点之间的空间关联。我设计了一个时空注意力模块，这个模块能动态地关注不同时间点和不同空间节点对当前预测目标的重要性，从而更好地处理交通流的动态变化。模型以历史多时间段的交通流量、速度等数据作为输入，输出未来多个时间片的流量预测值。实验部分，我使用了本市公开的出租车GPS轨迹数据，经过地图匹配和网格划分，生成了所需的数据集。
第四是实验结果与分析。我将我的模型与LSTM、GRU以及STGCN等基线模型进行了对比实验。评价指标采用了均方根误差和平均绝对百分比误差。在15分钟、30分钟、60分钟的短时预测任务上，我的模型在三个指标上均优于对比模型。例如，在30分钟预测上，我的模型比STGCN模型的均方根误差降低了约百分之八点五。我还进行了消融实验，分别去掉了图卷积部分和注意力机制，结果证实这两个模块都对提升模型性能有积极贡献。可视化结果显示，我的模型在早晚高峰等流量突变时段，预测曲线与实际曲线的贴合度更高。
最后是课题总结。本研究的主要成果是提出了一个结合图卷积与时空注意力的深度学习预测模型，并在真实数据集上验证了其有效性。创新点主要体现在将路网拓扑结构显式地建模进深度学习框架，并引入了能动态加权时空特征的注意力机制。课题也存在不足，比如模型训练的计算成本较高，目前只考虑了流量和速度，未融合天气、事件等多源数据。这些也是未来可以改进的方向。
我的自述到此结束，谢谢各位老师。接下来是答辩要点析论。答辩时，我预计老师可能会围绕以下几个核心点提问，我也做了相应准备。第一，关于模型创新性的具体体现。我会强调本模型并非简单堆叠现有模块，而是针对交通数据时空异质性特点，对注意力机制进行了适应性设计，使其能同时学习时间和空间维度的动态权重。第二，关于数据处理的细节。如果问到数据清洗和网格划分的合理性，我会解释如何根据道路等级和交叉口密度确定网格大小，以及如何处理GPS漂移和缺失数据。第三，关于模型的可解释性。深度学习模型常被诟病为“黑箱”，我会说明通过可视化注意力权重，可以部分解释模型在何时关注哪些关键路段，这比完全的黑箱模型前进了一步。第四，关于实际应用的可行性。我会坦诚说明当前模型作为原型验证是成功的，但要部署到实际系统，还需考虑工程上的实时性要求和与现有交通管理平台的接口问题。第五，关于对比实验的充分性。除了已对比的模型，我也了解到了其他一些最新模型，如Transformer在时序预测中的应用，我会说明由于时间限制和课题侧重点，本次研究主要与领域内公认的基准模型比较，这些比较已能支撑结论。在答辩中我将力求回答清晰、客观，既展示成果也不回避局限，体现出对课题的深入思考和扎实工作。