伴随中国社会和经济的不断发展,城市交通问题变得日益严峻。通过分析城市产生的数据有助于我们更好的解决城市交通问题。本文制定了一种选取城市关键道路策略。通过在这些道路安装数据采集设备,即可了解关键道路的交通状况从而了解其余城市道路的交通状况。这样只需在城市中监控少量道路,降低城市建设成本。也可以减少城市数据分析的工作量,将数据分析效率大大提高。本文结合交通问题中常见的交通流量预测场景来验证选取关键道路的效果。主要使用长春市的出租车GPS数据,对城市道路交通流量进行统计分析,主要工作包含以下几个方面:首先,利用并行处理方式对出租车GPS数据进行道路匹配,大大提高匹配效率。爬取了长春市POI兴趣点数据、长春市路网数据与长春市地感线圈数据。根据GPS数据统计得到道路流量数据。对城市进行网格化划分。对地感线圈数据进行道路匹配,认为存在地感线圈的道路是通过人为经验选择的关键道路,将这些道路命名为现有的关键道路。其次,利用城市路网结构数据,通过图神经网络方法中的Graph Embedding系列模型获取道路的Embedding编码特征。利用Embedding特征与道路属性对道路进行聚类分析,根据聚类结果选择出基于图神经网络的关键道路。然后,道路流量预测模型主要分为全数据模式与稀疏数据模式两种。全数据模式使用全部道路历史数据,稀疏数据模式使用关键道路历史数据。构造了稀疏数据模式的特征工程,主要包括五部分:道路固有属性特征、路网图关系特征、POI兴趣点特征、Graph Embedding特征与关键道路流量特征。尝试了多种机器学习与深度学习方法构造道路流量预测模型。最后,定义了关键道路选取结果的总成本评价标准,由时间成本、数据成本与精度成本三部分构成。时间成本即为模型训练耗时,数据成本即为使用道路数据占总道路数据的比例,精度成本即为道路流量预测模型的精度。对比了全数据模式与稀疏数据模式的总成本实验结果,验证了稀疏数据模式在现实场景应用的可行性。对比了现有关键道路与图神经网络模式选择的关键道路,验证了图神经网络模式选择的关键道路更能表达城市交通信息,可以优化现有城市现有关键道路的位置与数量,从而到达降低城市建设成本的目的。本文建立了一个根据关键道路的稀疏数据推算城市全部道路的流量预测模型。通过减少监测设备数量的方式降低城市建设成本,还可以推算出以往不存在监测设备的道路的流量信息。由于选择关键道路只需要路网图数据与道路属性数据,在对城市新建设道路进行规划时也可以使用本方法进行辅助设计,降低工作量,也可避免人工操作的误差。