交通是城市的纽带，在人们的生产生活中扮演着举足轻重的角色。然而，随着城市化进程的加快，城市交通所面临的压力越来越大，各种问题日渐凸显。交通拥堵、交通资源供需不平衡和交通事故等问题严重影响了人们的出行质量。从人们的出行数据中挖掘规律，并由此制定合理的对策，可有望缓解以上问题。
城市出行起止需求预测通过研究城市区域间不同时段的需求数量来揭示人们的出行规律。准确的出行起止需求预测对于交通管理具有重要意义。技术上，如何挖掘隐藏在出行起止需求数据中的复杂时空关联关系是模型设计的重点。传统的统计模型和基于循环神经网络的模型对单个节点的历史序列建模，从中挖掘出行起止需求数据中的时间相关性。但是，这种方式忽略了节点间的空间相关性。基于卷积神经网络的模型将城市划分为栅格，将起止需求数据构造成多通道的栅格数据，然后使用卷积神经网络建模区域间的空间相关性。但是，这种方法难以直接应用于地铁和公交出行数据。近年来，基于图卷积神经网络的预测方法广泛应用于交通预测任务中。这种方法首先将交通网络建模为节点和边组成的图，然后定义节点的特征，接着使用图卷积网络来建模节点间的空间相关性。但是，这种方法主要用于捕捉相邻节点之间的相关性，难以建模距离较远的节点之间的联系。城市出行起止需求预测需要分析城市内远距离区域之间的关联关系。相对来讲，相关研究工作仍不丰富，在模型精度、推理速度等方面尚不能满足应用需求。为此，本文开展基于图卷积神经网络的城市出行起止需求预测方法研究和系统研制工作。本文的主要工作如下： 
    1.提出了一种基于图神经网络的出行起止需求预测模型（Graph-attention LSTM Network, GLNet）。模型的整体架构采用了序列预测任务中常用的编解码框架。在空间相关性建模方面，GLNet使用图注意力机制来建模节点间的空间相关性。针对图注意力网络缺乏长距离建模能力的问题，本工作设计了一个自适应的邻接矩阵来建模节点间的连接关系，并将其参与到注意力分数的计算中。在时间相关性建模方面，GLNet使用长短时记忆网络（Long Short Term Memory，LSTM）作为编码器来建模出行起止需求数据的时间相关性。针对编码器初始化状态没有利用到先验知识的问题，本工作设计了一个隐状态初始化模块，用于学习编码器的初始状态。另外，GLNet额外引入了一个历史编码损失（Historical Encoding Loss，HELoss），通过降低历史隐状态的解码结果与真实值的差距，提升了模型的预测能力。最后，本工作构造了三个专有数据集，并在此数据集上进行了实验。GLNet在MAE、RMSE等多个指标上表现优异，验证了所提方法的有效性。
    2.开发了一个基于浏览器/服务器（Browser/Server，B/S）架构的出行起止需求可视化系统，并将其用于呈现和分析北京公交1路的出行情况。具体地，出行起止需求可视化系统集成了数据展示模块和预测模块。数据展示模块使用多种可视化图表从不同角度对出行起止需求数据进行展示和分析，帮助人们发现交通出行规律。预测模块则集成了包含本文所提方法在内的多种预测模型，用来预测未来半小时内的出行起止需求。