基于图神经网络的交通流预测＊

2022-10-14赖俊龙

计算机时代 2022年10期

赖俊龙

(华南农业大学数学与信息学院，广东广州 510642)

0 引言

交通流预测是智能交通系统中的重要成分，准确、有效的预测能够改善和缓解城市的交通问题。然而，由于交通路网拓扑结构的约束和交通流随时间变化的规律，即：空间依赖性和时间依赖性，交通流预测成为一个有挑战性的问题。

传统的方法有ARIMA、卡尔曼滤波模型等，它们难以处理有较强不确定性的数据。因此，如K 近邻模型、支持向量机模型等机器学习方法被提出，它们能够对高维和非线性特征的数据进行建模，然而，这些模型在捕获空间相关性上存在局限性。为此，Jiang 等将交通网络视为图像并用卷积神经网络来捕获空间特征；Cheng等将卷积神经网络与循环神经网络（Recurrent Neural Network，RNN）结合来学习时空相关性。但交通网络并不像图像那样是规则的结构，于是，图卷积神经网络（Graph Convolutional Network，GCN）被提出并用于特征学习。Zhao 等将GCN 与RNN结合提出了T-GCN模型；Li等提出扩散卷积门控循环单元，并结合编码器-解码器结构提出了DCRNN模型，但这些模型的预测效果还有待提高。

为应对上述挑战和问题，提出多分辨率时空注意力网络（Multi-Resolution Spatio-Temporal Attention Network，MRSTAN），以便有效地利用时空特征，进而提高预测的精准度。

1 本文模型

图1为模型的框架，主要包括空间模块、时间模块和融合模块三个组件。

图1 多分辨率时空注意力网络框架

1.1 空间依赖性

传统GCN 采用的图结构是静态的，不能正确的描述流量之间的依赖关系。如图2 所示，道路1 发生交通事故后，随时间演变会影响到道路2、3、4 处的交通情况。

图2 交通流时空相关性

为了能自适应地学习空间结构，采用了Guo 等提出的空间注意力，具体公式为：

1.2 时间依赖性

RNN 常用于序列数据，但其存在梯度消失和梯度爆炸等缺陷。其变体LSTM 和GRU 可以解决这些缺陷，其中LSTM 比GRU 结构更加复杂，训练时间更长。因此，选择GRU模型获取时间依赖性，其具体公式如下：

1.3 多分辨率融合

交通流具有周期性，不同的分辨率下，它们之间的相似性有助于模型更好地学习到其中的规律。如图3所示，2022年2月27日7:30-8:30为要预测的真实数据，其与昨天、上周同一时段的车流量具有相似的趋势，例如都在第5个观测点附近达到最低点，在接近第7个观测点达到最高峰，都具有继续上升的趋势。

图3 交通流时间周期性

2 实验

2.1 数据集

实验中，采用PeMS-04 和PeMS-08 高速公路数据集，对其进行归一化并按照6：2：2 的比例随机划分成训练集、验证集和测试集。

2.2 基线方法

为了评估模型的性能，将MRSTAN与以下基线方法进行了比较。

T-GCN：它在静态图上进行图卷积，并结合循环神经网络进行交通流预测。

Graph WaveNet：是一种使用自适应图表示和扩张卷积的深度学习框架。

ASTGCN：它是基于注意力的时空图卷积网络，利用时空注意力机制分别对时空动态进行建模。

STSGCN：利用多个局部的时空子图模块直接同步捕获局部时空相关性。

STGODE：一种基于神经微分方程的交通流预测框架，使用了连续的图卷积和扩张卷积进行预测。

2.3 实验设置

所有实验均在Linux 服务器上进行（CPU：Intel(R)Xeon(R) Gold 5218，GPU：GeForce RTX 2080 Ti）。均采用60 分钟作为历史时间窗口，并预测未来60 分钟的交通流状况。基线方法都遵循其论文中报告的最佳参数和结果。对本模型而言，所有隐藏维度都设置为64，采用三阶的切比雪夫多项式进行图卷积，空间模块层数为2，Adam 优化器的学习率为0.001，采用L1 范数作为损失函数，使用MAE、RMSE 和MAPE 作为性能指标，batchsize为32，训练代数为250。