基于圖卷積網(wǎng)絡(luò)的交通預(yù)測綜述

王竟成，張 勇，胡永利，尹寶才

(1.北京工業(yè)大學(xué)信息學(xué)部,北京 100124;2.北京工業(yè)大學(xué)多媒體與智能軟件技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室,北京 100124)

隨著城市化進(jìn)程的加快以及交通數(shù)據(jù)的爆炸式增長，智慧交通的重要性日益顯著，而交通預(yù)測則是智慧交通發(fā)展的基石.精準(zhǔn)的交通預(yù)測對于許多實(shí)際交通應(yīng)用至關(guān)重要.例如：路面交通的車速及流量預(yù)測對于公眾出行路徑規(guī)劃以及交通指揮智能調(diào)控等需求具有重要意義；軌道交通客流預(yù)測對于站點(diǎn)客流壓力測試以及線路時(shí)刻安排同樣至關(guān)重要；對于網(wǎng)約車的用車需求預(yù)測則可以協(xié)助網(wǎng)約車公司動(dòng)態(tài)分配運(yùn)營車輛，從而實(shí)現(xiàn)調(diào)度效率最大化.

交通預(yù)測問題有多種分類方式，針對不同的預(yù)測任務(wù)，可概括為流量預(yù)測、速度預(yù)測、到達(dá)時(shí)間預(yù)測以及交通需求預(yù)測等.根據(jù)交通預(yù)測的實(shí)際場景可分類為高峰期預(yù)測、平峰期預(yù)測以及異常狀況下的預(yù)測等.對于交通預(yù)測問題的劃分同時(shí)側(cè)面反映了交通預(yù)測模型對于實(shí)時(shí)性、準(zhǔn)確性以及異常狀況下的可靠性要求.

不同于其他時(shí)序預(yù)測問題，交通預(yù)測的主要挑戰(zhàn)在于包含路網(wǎng)結(jié)構(gòu)拓?fù)溥B接關(guān)系在內(nèi)的復(fù)雜耦合關(guān)聯(lián)關(guān)系及其不斷變化的時(shí)空特征.空間上，路網(wǎng)中相鄰節(jié)點(diǎn)存在著直接相互影響的強(qiáng)關(guān)聯(lián)關(guān)系，非相鄰節(jié)點(diǎn)在交通流模式上也存在著基于交通出行起止點(diǎn)(origin-destination,OD)的隱含空間關(guān)聯(lián).時(shí)間上，交通數(shù)據(jù)呈現(xiàn)出極強(qiáng)的時(shí)變性與周期性，例如早高峰與晚高峰、周中與周末等.

傳統(tǒng)的基于數(shù)理統(tǒng)計(jì)的方法以及經(jīng)典機(jī)器學(xué)習(xí)方法往往針對路網(wǎng)中某一觀測點(diǎn)的時(shí)序數(shù)據(jù)進(jìn)行建模分析以及預(yù)測.較有代表性的方法有歷史平均值(historical average,HA)[1-2]、整合移動(dòng)平均自回歸(autoregressive integrated moving average,ARIMA)模型[3-5]、卡爾曼濾波模型(Kalman filtering model)[6]、非參數(shù)回歸模型(nonparametric regressive model)[7]以及動(dòng)態(tài)模式分解(dynamic mode decomposition)[8]等.后續(xù)隨著深度學(xué)習(xí)的發(fā)展，端到端的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[9]、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[10]及其變體長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)[11]以及門控循環(huán)單元(gated recurrent units,GRU)[11]等網(wǎng)絡(luò)模型被廣泛用于時(shí)序預(yù)測問題.

上述方法可以捕獲時(shí)序數(shù)據(jù)的非線性特征，但針對單個(gè)節(jié)點(diǎn)的時(shí)序預(yù)測難以描述節(jié)點(diǎn)之間的相互影響.依賴路網(wǎng)結(jié)構(gòu)的交通預(yù)測問題顯然無法滿足對單節(jié)點(diǎn)的逐一分析.雖然部分傳統(tǒng)方法考慮了交通拓?fù)浣Y(jié)構(gòu)中觀測點(diǎn)之間的連接屬性，但并未進(jìn)行充分利用[12].路網(wǎng)作為一種離散化非規(guī)則排列且易受距離影響的結(jié)構(gòu)，圖表示以及圖卷積網(wǎng)絡(luò)(graph convolutional network,GCN)[13]被自然地應(yīng)用于交通預(yù)測問題且取得了優(yōu)異的結(jié)果.

在交通預(yù)測領(lǐng)域，由于交通數(shù)據(jù)特有的時(shí)序及空間特征，誕生了許多基于圖卷積的方法模型[14]，實(shí)現(xiàn)了對交通數(shù)據(jù)時(shí)空特征的提取.本文針對基于GCN的交通流預(yù)測模型進(jìn)行歸納總結(jié).

1 圖卷積網(wǎng)絡(luò)概述

1.1 符號定義

首先給出本文以及相關(guān)文獻(xiàn)中常見通用的符號定義.

表1 符號定義Table 1 Symbol definition

一般地，G=(V;E;W)用于表示交通預(yù)測問題中常用的無向帶權(quán)圖[15].A表示圖的鄰接矩陣(adjacency matrix)，定義節(jié)點(diǎn)之間的相互連通關(guān)系.H為關(guān)聯(lián)矩陣(incidence matrix),用于定義圖中邊與節(jié)點(diǎn)之間的連接，其中元素的定義為

(1)

對于圖中的節(jié)點(diǎn)，其度矩陣Dv中元素定義為連接到該節(jié)點(diǎn)所有邊的權(quán)重之和，即

(2)

相似地，De中元素定義為連接到該邊的節(jié)點(diǎn)數(shù)量之和，即

(3)

1.2 圖卷積

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)局限于對歐氏空間數(shù)據(jù)進(jìn)行建模，而圖卷積操作利用圖表示對非歐氏空間數(shù)據(jù)進(jìn)行處理，使卷積操作更加適用于交通數(shù)據(jù)結(jié)構(gòu).圖卷積操作主要包括基于空域以及頻域的圖卷積2類.空域圖卷積將圖卷積操作定義為圖中相鄰節(jié)點(diǎn)之間的特征信息的聚合，基于頻域的圖卷積則利用圖信號處理(graph signal processing)，引入濾波器實(shí)現(xiàn)頻域圖卷積的推導(dǎo).

1.2.1 空域圖卷積

與深度學(xué)習(xí)中常用的例如圖像等歐氏空間的卷積相比，圖結(jié)構(gòu)中由于節(jié)點(diǎn)數(shù)量及連接關(guān)系的不確定性，難以通過固定大小可學(xué)習(xí)的卷積核對特征進(jìn)行提取.針對此問題，空域圖卷積從節(jié)點(diǎn)域出發(fā)，通過特征的聚集直接在圖上定義卷積操作以找到適用于圖的可學(xué)習(xí)圖卷積核.該過程將某中心節(jié)點(diǎn)與周圍鄰居節(jié)點(diǎn)的信息通過定義的聚合函數(shù)進(jìn)行聚合，實(shí)現(xiàn)中心節(jié)點(diǎn)的特征更新.空域圖卷積的通用聚合函數(shù)在消息傳遞神經(jīng)網(wǎng)絡(luò)(message passing neural network,MPNN)[16]中的定義被廣泛應(yīng)用.該網(wǎng)絡(luò)提出一種空域圖卷積的形式化框架，即空域卷積被分解為消息傳遞與狀態(tài)更新2個(gè)過程，分別表示為Ml(·)與Ul(·).該框架可表示為

(4)

式中：u和v均為圖中節(jié)點(diǎn)；hl為圖卷積在第l層的特征，即該框架中各節(jié)點(diǎn)在第l層的信息通過Ml(·)函數(shù)聚合后通過Ul(·)函數(shù)實(shí)現(xiàn)第l+1層的特征更新.MPNN實(shí)現(xiàn)了對于整張圖進(jìn)行空域卷積操作，但面對龐大的圖時(shí)全圖卷積的方法需要占用過多計(jì)算資源.GraphSAGE[17]則針對此缺陷利用節(jié)點(diǎn)鄰居的特征信息通過采樣和聚集進(jìn)行學(xué)習(xí).該模型通過訓(xùn)練聚合器函數(shù)實(shí)現(xiàn)節(jié)點(diǎn)鄰域的信息聚合.來自給定節(jié)點(diǎn)的不同跳數(shù)的或深度的信息可通過聚合器進(jìn)行特征抽取并計(jì)算節(jié)點(diǎn)處的損失，實(shí)現(xiàn)節(jié)點(diǎn)特征的嵌入.GraphSAGE中提出了3種聚合器，分別為均值聚合器、LSTM聚合器以及池化聚合器.以LSTM聚合器為例，其表達(dá)式為

(5)

該聚合器將節(jié)點(diǎn)的前一層表示與聚合的鄰居信息進(jìn)行級聯(lián).Liu等[18]則通過GraphSAGE模型的均值聚合器進(jìn)行了路面交通的短期車流速度預(yù)測.其均值聚合器表示為

(6)

節(jié)點(diǎn)v是在節(jié)點(diǎn)u的周圍在固定長度上隨機(jī)游走的節(jié)點(diǎn).聚合器的權(quán)重矩陣由基于圖的損失函數(shù)通過隨機(jī)梯度下降進(jìn)行調(diào)整，最終實(shí)現(xiàn)使用GraphSAGE模型預(yù)測交通流速度.

Li等[19]針對路況的動(dòng)態(tài)變化，將交通流建模為有向圖上的擴(kuò)散過程，并提出了基于空域圖卷積的擴(kuò)散卷積神經(jīng)網(wǎng)絡(luò)(diffusion convolutional recurrent neural network,DCRNN)，基于雙向隨機(jī)游走理論捕獲空間相關(guān)性，實(shí)現(xiàn)了大規(guī)模路網(wǎng)的交通流量預(yù)測.Chen等[20]也同樣在卷積網(wǎng)絡(luò)中引入了擴(kuò)散圖卷積進(jìn)行空域上的圖卷積操作.因此，Chen等[20]為了捕獲交通網(wǎng)絡(luò)的連通性和全局性，提出了基于殘差遞歸架構(gòu)的網(wǎng)絡(luò)模型Res-RNN，實(shí)現(xiàn)路面交通流預(yù)測.Song等[21]在圖的鄰接矩陣中增加了前后時(shí)刻的時(shí)空關(guān)聯(lián)關(guān)系，并利用空域圖卷積層與門控線性單元的多個(gè)組合網(wǎng)絡(luò)構(gòu)建其整體預(yù)測框架.Bruna等[22]則認(rèn)為顯式圖結(jié)構(gòu)難以表示真實(shí)的圖中節(jié)點(diǎn)關(guān)系，并提出了基于節(jié)點(diǎn)嵌入學(xué)習(xí)的圖神經(jīng)網(wǎng)絡(luò)架構(gòu)Graph WaveNet.該網(wǎng)絡(luò)架構(gòu)中圖卷積層即通過空域圖卷積提取節(jié)點(diǎn)間的結(jié)構(gòu)特征.

1.2.2 頻域圖卷積

空域圖卷積借鑒了歐氏空間的卷積，頻域圖卷積則從信號處理的角度利用圖信號的傅里葉變換實(shí)現(xiàn)卷積操作.頻域圖卷積最早由Bruna等[23]提出.對于圖G，其拉普拉斯矩陣可表示為L=Dv-A.歸一化后拉普拉斯矩陣表示為

(7)

因拉普拉斯矩陣L為半正定的實(shí)對稱矩陣，可將特征分解為L=UΛUT.與歐氏空間的卷積操作相似，對于圖信號x及圖卷積核g的圖卷積可表示為

x*Gg=U(UTx°UTg)=U(UTg°UTx)

(8)

式中：°為哈達(dá)瑪乘積；*G特指圖卷積操作.將UTg作為可訓(xùn)練的圖卷積核gθ，圖卷積操作可簡化為

x*Gg=UgθUTx

(9)

在訓(xùn)練頻域卷積神經(jīng)網(wǎng)絡(luò)的過程中，由于拉普拉斯矩陣的所有特征值以及特征向量的計(jì)算量過大，所以為加速特征矩陣的求解，切比雪夫網(wǎng)絡(luò)(ChebNet.)[24]以及一階切比雪夫網(wǎng)絡(luò)(1stChebNet.)[25]應(yīng)運(yùn)而生.

切比雪夫網(wǎng)絡(luò)首先通過切比雪夫多項(xiàng)式

(10)

(11)

(12)

式中θ0與θ1均為全圖共享的可學(xué)習(xí)參數(shù).在實(shí)際操作中，為了進(jìn)一步限制參數(shù)的數(shù)量以解決過擬合問題，令θ=θ0=-θ1,圖卷積操作可進(jìn)一步簡化為

(13)

(14)

1.3 圖卷積網(wǎng)絡(luò)

GCN即利用空域圖卷積或頻域圖卷積構(gòu)建的深度網(wǎng)絡(luò)模型.Kipf等[13]所提圖卷積神網(wǎng)絡(luò)模型中輸入層與輸出層均為圖信號數(shù)據(jù)，其中隱含層為圖卷積層，圖結(jié)構(gòu)在各層中共享，最終實(shí)現(xiàn)節(jié)點(diǎn)的聚類或節(jié)點(diǎn)值的預(yù)測等輸出.

空域圖卷積網(wǎng)絡(luò)與頻域圖卷積網(wǎng)絡(luò)雖然均不是針對交通預(yù)測問題而提出的，但由于交通數(shù)據(jù)的天然圖結(jié)構(gòu)屬性，令GCN在交通預(yù)測領(lǐng)域展現(xiàn)出優(yōu)于傳統(tǒng)方法的高效率與高準(zhǔn)確率.無論是空域圖卷積還是頻域圖卷積，本質(zhì)上都是對圖拓?fù)浣Y(jié)構(gòu)的建模利用，即空間特征的提取.例如Lee等[25]利用路面?zhèn)鞲衅鏖g的距離和位置等信息構(gòu)建非歐氏關(guān)系，并利用GCN提取空間特征進(jìn)行交通速度預(yù)測.Geng等[32]則以相鄰街區(qū)以及相似功能區(qū)等為節(jié)點(diǎn)，構(gòu)建多種基于圖結(jié)構(gòu)的表示，在此基礎(chǔ)上使用多組GCN進(jìn)行空間相關(guān)性建模，實(shí)現(xiàn)乘車需求預(yù)測.

基于GCN的交通預(yù)測大都建立在頻域圖卷積或空域圖卷積的基礎(chǔ)之上，通過圖結(jié)構(gòu)約束節(jié)點(diǎn)間的數(shù)據(jù)關(guān)系，利用圖卷積對非歐氏空間數(shù)據(jù)進(jìn)行結(jié)構(gòu)化空間特征提取，實(shí)現(xiàn)交通預(yù)測.

2 基于GCN的交通預(yù)測模型

目前，GCN已成為交通預(yù)測研究的基礎(chǔ)模型以及實(shí)驗(yàn)的基準(zhǔn)方法.由于交通數(shù)據(jù)本身為時(shí)序數(shù)據(jù)，如何挖掘時(shí)序特征且與空間特征融合預(yù)測成為用于交通預(yù)測的神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)重點(diǎn).此外，圖注意力機(jī)制同樣被用于交通預(yù)測模型且能顯著提升模型性能.同時(shí)，當(dāng)前研究已不滿足靜態(tài)圖、單圖的卷積網(wǎng)絡(luò)，動(dòng)態(tài)圖卷積網(wǎng)絡(luò)、多圖卷積網(wǎng)絡(luò)以及多任務(wù)學(xué)習(xí)的框架不斷被提出.

2.1 圖時(shí)空網(wǎng)絡(luò)

交通數(shù)據(jù)是標(biāo)準(zhǔn)的時(shí)間序列數(shù)據(jù)，如圖1所示，即同一數(shù)據(jù)集內(nèi)所有數(shù)據(jù)內(nèi)容依時(shí)間按照統(tǒng)一時(shí)間口徑進(jìn)行排列組織.其中：橙色虛線表示某節(jié)點(diǎn)延邊對鄰居節(jié)點(diǎn)產(chǎn)生影響；藍(lán)色虛直線表示某節(jié)點(diǎn)交通數(shù)據(jù)該時(shí)刻對下一時(shí)刻的影響；藍(lán)色虛曲線表示跨時(shí)刻的長遠(yuǎn)影響.由于交通數(shù)據(jù)存在明顯的時(shí)序特征，許多時(shí)序預(yù)測模型便被應(yīng)用于交通預(yù)測問題，例如最常用的傳統(tǒng)交通預(yù)測方法ARIMA[33].該方法基于單個(gè)交通節(jié)點(diǎn)的時(shí)序數(shù)據(jù)構(gòu)建統(tǒng)計(jì)模型，進(jìn)而分析數(shù)據(jù)實(shí)現(xiàn)預(yù)測.傳統(tǒng)機(jī)器學(xué)習(xí)方法，例如支持向量回歸(support vector regression，SVR)[34]，相較于基于統(tǒng)計(jì)的方法能更好地捕獲復(fù)雜的線性關(guān)系.上述方法大多用于單一時(shí)序數(shù)據(jù)的識別與預(yù)測問題，難以對全局交通數(shù)據(jù)進(jìn)行端到端的統(tǒng)一整體化分析及預(yù)測.

圖1 時(shí)序交通數(shù)據(jù)Fig.1 Time series traffic data

圖神經(jīng)網(wǎng)絡(luò)將空間特征提取蘊(yùn)于圖卷積操作之中，但當(dāng)提取空間特征與時(shí)序特征相結(jié)合的方法被用于交通預(yù)測問題時(shí)，人工智能在該領(lǐng)域的潛力才得以真正釋放.時(shí)序特征的提取方法主要有CNN以及RNN.

2.1.1 基于CNN的時(shí)序特征提取

在Gehring等[35]所提出的卷積Sequence-to-Sequence模型(convolutional sequence to sequence,ConvS2S)的基礎(chǔ)上，Yu等[29]代表性地利用其門控線性單元(gated liner units,GLU)組建時(shí)序卷積層并構(gòu)建時(shí)空圖卷積網(wǎng)絡(luò)，實(shí)現(xiàn)時(shí)序特征的提取.

STGCN的模型結(jié)構(gòu)見圖2，2層時(shí)序卷積層與1層圖卷積層組成了時(shí)空卷積模塊.其中時(shí)序卷積層將一維因果卷積作用于時(shí)間軸，該操作可表示為

圖2 時(shí)空圖卷積網(wǎng)絡(luò)[29]Fig.2 Spatio-temporal graph convolutional networks[29]

(15)

在利用因果卷積提取交通數(shù)據(jù)的時(shí)序特征的基礎(chǔ)之上，Graph WaveNet[22]采用了擴(kuò)張因果卷積(dilated casual convolution)，亦稱作膨脹因果卷積或者空洞因果卷積.如圖3所示，擴(kuò)張因果卷積通過跳過一定的步長在輸入序列上沿時(shí)間軸進(jìn)行滑動(dòng)，從而增加時(shí)序卷積操作的感受野.隨著擴(kuò)張因果卷積層數(shù)量的增加，其捕獲的時(shí)序感受野的范圍呈指數(shù)級增加.該卷積操作可表示為

圖3 擴(kuò)張因果卷積[20]Fig.3 Dilated casual convolution[20]

(16)

Fang等[26]同樣在其所提框架GSTNet的時(shí)空卷積模塊中利用擴(kuò)張卷積構(gòu)建了多分辨率時(shí)序模塊，即多層因果卷積層的堆疊.Guo等[36]不僅用卷積提取時(shí)空特征，并在其所提深度時(shí)空3D卷積神經(jīng)網(wǎng)絡(luò)(deep spatial-temporal 3D convolutional neural networks,ST-3DNet)中引入了3D卷積，從而實(shí)現(xiàn)端到端的交通擁堵狀態(tài)預(yù)測以及人群流量預(yù)測.Yao等[37]針對不平衡空間分布的交通數(shù)據(jù)，提出使用少量訓(xùn)練數(shù)據(jù)實(shí)現(xiàn)模型訓(xùn)練，并通過遷移學(xué)習(xí)實(shí)現(xiàn)不同城市的交通流預(yù)測問題.在其提出的MetaST模型中將CNN與LSTM相結(jié)合，構(gòu)成其元學(xué)習(xí)網(wǎng)絡(luò)模型.

2.1.2 基于RNN的時(shí)序特征提取

同樣為了在深度圖卷積網(wǎng)絡(luò)中提取時(shí)序特征并用于交通預(yù)測，Zhao等[38]較早地提出了時(shí)序圖卷積網(wǎng)絡(luò)T-GCN.他們認(rèn)為RNN作為處理序列數(shù)據(jù)的最廣泛使用的模型，其變體LSTM網(wǎng)絡(luò)與GRU能克服訓(xùn)練過程中梯度爆炸與消失的缺陷.LSTM模型與GRU模型均使用門控機(jī)制來“記憶”盡可能多的長期信息.

T-GCN的網(wǎng)絡(luò)架構(gòu)如圖4所示，其以歷史交通數(shù)據(jù)作為模型的輸入，通過GCN以及門控循環(huán)單元后獲得預(yù)測結(jié)果.為了獲取交通數(shù)據(jù)的時(shí)序特征，T-GCN利用了參數(shù)較少并且訓(xùn)練更快的門控循環(huán)單元而非LSTM網(wǎng)絡(luò).其計(jì)算過程表示為

圖4 時(shí)序圖卷積網(wǎng)絡(luò)[38]Fig.4 Temporal graph convolutional networks[38]

ut=σ(Wu[f(A,Xt),ht-1]+bu
rt=σ(Wr[f(A,Xt),ht-1]+br
ct=tanh(Wc[f(A,Xt),(rt°ht-1)]+bc
ht=ut°ht-1+(1-ut)°ct

(17)

式中：ut和rt分別表示t時(shí)刻的更新門和復(fù)位門；ht和ht-1分別表示t時(shí)刻和t-1時(shí)刻的輸出；σ(·)表示Sigmoid激活函數(shù)；f(A,Xt)表示圖卷積操作；W和b則分別表示訓(xùn)練過程中的權(quán)重以及偏置項(xiàng).Chen等[20]在門控循環(huán)單元存儲長期依賴關(guān)系的基礎(chǔ)上，利用跳躍鏈接(hop-links)的方案捕捉周期性的時(shí)間相關(guān)性.同時(shí)將殘差加入循環(huán)圖網(wǎng)絡(luò)中，從而改善深層網(wǎng)絡(luò)里長期反向傳播(long-term back-propagation)的梯度爆炸和消失的問題.Li等[39-40]則分別在其共享單車需求預(yù)測的模型以及出租車需求預(yù)測模型中使用了LSTM進(jìn)行時(shí)序建模.該建模過程可描述為

(18)

式中Wa、Ua、ba(a∈{i,f,o,g})均為可學(xué)習(xí)變量.Wang等[41]針對交通時(shí)間預(yù)測，提出了2層LSTM堆疊的模型，并考慮道路交叉口以及交通信號燈對預(yù)測結(jié)果的影響以提升模型性能.

GRU與LSTM作為時(shí)序依賴的循環(huán)網(wǎng)絡(luò)建模方法，在車速預(yù)測[42-43]、道路占有率預(yù)測[44]、人群密度預(yù)測[45]、網(wǎng)約車需求預(yù)測[46]、出租車需求預(yù)測[47-48]、出租車OD預(yù)測[49]、公交到站時(shí)間預(yù)測[50-51]以及空氣質(zhì)量預(yù)測[52]等實(shí)際需求問題上均取得了優(yōu)異的預(yù)測效果.

2.2 圖自編碼器

以交通數(shù)據(jù)等標(biāo)準(zhǔn)的序列化數(shù)據(jù)作為輸入，自編碼器(auto-encoder，AE)架構(gòu)在預(yù)測問題上的效果更加穩(wěn)定且泛化效果更好[53].Li等[19]所提DCRNN模型中，在使用門控循環(huán)單元提取時(shí)序特征的基礎(chǔ)上利用了自編碼器的架構(gòu).其中編碼器和解碼器都是基于DCRNN的遞歸神經(jīng)網(wǎng)絡(luò).其模型的基本框架如圖5所示.

圖5 擴(kuò)散卷積遞歸神經(jīng)網(wǎng)絡(luò)[19]Fig.5 Diffusion convolutional recurrent neural network[19]

在訓(xùn)練過程中，歷史交通數(shù)據(jù)序列首先被輸入編碼器，并使用其最終狀態(tài)初始化編碼器.在測試過程中，預(yù)測值被用于替換真實(shí)值.基于圖的自編碼器較早由Kipf等[54]提出，包括變分圖自編碼器(variational graph auto-encoders,VGAE)以及圖自編碼器(graph auto-encoders,GAE).VGAE將變分自編碼器遷移到了圖領(lǐng)域，以圖卷積作為編碼操作，用已知圖通過編碼學(xué)習(xí)節(jié)點(diǎn)向量化表示的分布對其采樣，從而得到節(jié)點(diǎn)的向量表示，通過解碼操作重新構(gòu)建圖以實(shí)現(xiàn)鏈路預(yù)測等任務(wù).GAE則包括2層GCN，解碼器計(jì)算連接2個(gè)節(jié)點(diǎn)邊的存在概率進(jìn)而重構(gòu)圖.Lv等[55]較早地利用自編碼器模塊化地構(gòu)建深層網(wǎng)絡(luò)模型并用于交通流預(yù)測.其提出的堆疊式自編碼器(stacked auto-encoder,SAE)模型的輸入與輸出可分別表示為

y(x)=f(W1x+b1)
z(x)=g(W2y(x)+b2)

(19)

式中：x為訓(xùn)練樣本；y(x)為編碼器的隱藏表示，并于解碼器中得到z(x)；W1和W2以及b1和b2分別為編碼器和解碼器的權(quán)重矩陣以及偏置向量.在此基礎(chǔ)上，Lv等[55]將多個(gè)自編碼器堆疊，在獲得第1個(gè)隱藏層后，將第k個(gè)隱藏層的輸出作為第k+1個(gè)隱藏層的輸入，最后通過輸出層實(shí)現(xiàn)回歸預(yù)測.在此基礎(chǔ)上，Zhao等[56]設(shè)計(jì)并提出了一種分層遞歸自編碼器，使用3層堆疊式自編碼器架構(gòu)來獲取時(shí)序依賴并使用遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測.在Bai等[30]的工作中將捕捉長期時(shí)序特征與捕捉短期時(shí)序特征的編解碼器分別同步進(jìn)行訓(xùn)練用以緩解基于RNN的解碼器模型固有的誤差積累問題.Lin等[57]則利用基于自編碼器架構(gòu)的圖濾波器模型提取共享單車與出租車用車數(shù)據(jù)的時(shí)空特征，并預(yù)測共享單車的需求量.自編碼器的架構(gòu)靈活多變，可基于CNN[58]，亦可基于LSTM[59-61].編碼器與解碼器在功能與架構(gòu)上相輔相成，在GEML[31]、Forecaster[62]、ST-GRAT[63]及ARU[64]等模型中均展現(xiàn)出優(yōu)異的效果.

2.3 圖注意力網(wǎng)絡(luò)

注意力機(jī)制首先被提出用于自然語言處理[54]，如今已被廣泛應(yīng)用到許多序列相關(guān)的任務(wù)之中.例如：Liang等[65]利用多級注意力的循環(huán)神經(jīng)網(wǎng)絡(luò)自適應(yīng)地調(diào)整多個(gè)地理傳感器采集到的時(shí)序數(shù)據(jù)間的相關(guān)性并用于空氣質(zhì)量等預(yù)測.其優(yōu)點(diǎn)在于可以放大序列中重要部分的影響，將注意力機(jī)制引入圖神經(jīng)網(wǎng)絡(luò)，其可同樣受益.GCN由于依靠拉普拉斯矩陣的特征值，使得卷積操作難以抽離于整體的靜態(tài)圖結(jié)構(gòu).在圖注意力網(wǎng)絡(luò)(graph attention networks,GAT)[66]中，不同節(jié)點(diǎn)被分配以不同權(quán)重，訓(xùn)練過程憑借成對的相鄰節(jié)點(diǎn)，而非具體圖結(jié)構(gòu)，即不依賴于整個(gè)圖的全部信息.在時(shí)空圖卷積網(wǎng)絡(luò)的基礎(chǔ)上，注意力機(jī)制被引入并廣泛用于時(shí)空特征的提取.

在處理空間特征時(shí)，以路面交通為例，某道路的交通狀態(tài)在一定程度上必然受到直接相鄰或間接相鄰道路的影響.此種影響的范圍以及程度隨位置、距離以及時(shí)間等因素不斷變化.在Guo等[67]提出基于注意力的時(shí)空圖卷積網(wǎng)絡(luò)(attention based spatial-temporal graph convolutional networks,ASTGCN)中，空間注意力矩陣可定義為

(20)

(21)

在進(jìn)行圖卷積操作的過程中，鄰接矩陣A與注意力矩陣S′將同時(shí)動(dòng)態(tài)地調(diào)整節(jié)點(diǎn)之間的權(quán)重關(guān)系以捕獲空間維度上節(jié)點(diǎn)之間的動(dòng)態(tài)相關(guān)性.Pan等[68]同樣認(rèn)為，兩節(jié)點(diǎn)之間的空間相關(guān)性與其地理信息相關(guān).在其所提模型中，提取空間特征的注意力機(jī)制與元學(xué)習(xí)(meta learning)相結(jié)合，使其注意力模塊的權(quán)重從元知識中學(xué)習(xí)而來.在用于共享單車需求預(yù)測的STG2Vec[39]模型中同樣利用注意力機(jī)制對空間特征進(jìn)行提取.Chen等[69]則為雙分量圖卷積(bicomponent GCN)提出了多范圍注意力機(jī)制(multi-range attention mechanism).其模型首先分別構(gòu)建節(jié)點(diǎn)圖與邊緣圖，在通過雙分量圖卷積實(shí)現(xiàn)邊與節(jié)點(diǎn)交互的基礎(chǔ)上，利用多范圍注意力聚合鄰域的信息，從而動(dòng)態(tài)地了解不同聚合范圍的重要性.Zhang等[70]則在所提門控注意力網(wǎng)絡(luò)(gated attention networks,GaAN)中利用多頭注意力機(jī)制(multi-head attention mechanism)對節(jié)點(diǎn)及其鄰居的特征進(jìn)行聚合.與傳統(tǒng)多頭注意力機(jī)制不同，GaAN使用了卷積子網(wǎng)(convolutional sub-network)來控制每個(gè)注意力頭的重要性，并用以解決交通速度預(yù)測問題.

與空間特征方法類似，在處理時(shí)序特征時(shí)，注意力機(jī)制被作用于時(shí)間維度以對長期序列數(shù)據(jù)進(jìn)行建模.例如：Yao等[71]為解決動(dòng)態(tài)的空間依賴以及周期性的時(shí)間依賴，設(shè)計(jì)了一種周期性轉(zhuǎn)移的注意力機(jī)制來處理長期周期性時(shí)序偏移.在同一模型中將注意力機(jī)制同時(shí)用于空間特征以及時(shí)序特征的提取已被證明卓有成效[67,72-75].

注意力機(jī)制可被用于輔助時(shí)空特征的提取，也可以摒棄卷積操作，借鑒Transformer[76]架構(gòu)僅利用注意力機(jī)制完成交通預(yù)測任務(wù).在圖變換網(wǎng)絡(luò)(graph transformer networks,GTN)[77]相關(guān)工作中提出，傳統(tǒng)GCN的結(jié)構(gòu)固定，即其中鄰接矩陣為圖的固有屬性不隨模型訓(xùn)練過程而改變.GTN則能夠挑選有價(jià)值的多跳連接的元路徑(meta-path)，從而實(shí)現(xiàn)基于可學(xué)習(xí)圖結(jié)構(gòu)的預(yù)測.

GCN無論是引入注意力機(jī)制還是與Transformer架構(gòu)的結(jié)合[78]，目的均是更有效地提取空間特征與時(shí)序特征.Li等[62]利用該框架提出了Forecaster模型.從學(xué)習(xí)圖結(jié)構(gòu)開始，將學(xué)習(xí)到的結(jié)構(gòu)表示不同位置數(shù)據(jù)之間的空間依賴，再基于圖拓?fù)鋵ransformer進(jìn)行稀疏處理以提升模型強(qiáng)度，從而實(shí)現(xiàn)精準(zhǔn)的出租車需求預(yù)測.

3 公開數(shù)據(jù)集

鑒于大范圍跨時(shí)空交通數(shù)據(jù)采集的難度，高質(zhì)量的數(shù)據(jù)集對于交通預(yù)測問題的研究至關(guān)重要.交通數(shù)據(jù)類別豐富，包括但不限于交通運(yùn)輸數(shù)據(jù)、交通管理數(shù)據(jù)以及用于輔助的氣象數(shù)據(jù)和事件數(shù)據(jù)等.

其中交通運(yùn)輸數(shù)據(jù)主要采集于路面交通、軌道交通以及航運(yùn)交通的實(shí)際運(yùn)營過程，例如路面車流量、路面車速、路面車道占有率、出租車需求量、網(wǎng)約車需求量、共享單車軌跡、公交車客流量、公交車到站時(shí)間、地鐵進(jìn)出站客流量以及地鐵換乘客流量等.交通管理數(shù)據(jù)則包括信號燈調(diào)度數(shù)據(jù)、潮汐車道數(shù)據(jù)以及私家車限號數(shù)據(jù)等.在此基礎(chǔ)上，氣象數(shù)據(jù)與交通數(shù)據(jù)密切相關(guān)，主要源自氣象部門的信息化系統(tǒng)，包括氣象衛(wèi)星以及地面氣象監(jiān)測站等獲取的數(shù)據(jù)，其中重點(diǎn)關(guān)注雨、雪、霧、霾等各種惡劣天氣對交通情況的影響.事件數(shù)據(jù)則包括大型活動(dòng)數(shù)據(jù)以及交通事故數(shù)據(jù)等.本文將重點(diǎn)介紹數(shù)個(gè)目前應(yīng)用較多的全球公開交通數(shù)據(jù)集.

1)PeMS

PeMS為加利福尼亞運(yùn)輸局的性能測量系統(tǒng)(performance measurement system)的縮寫.該數(shù)據(jù)集的內(nèi)容由39 000余個(gè)獨(dú)立傳感器以5 min為時(shí)間間隔實(shí)時(shí)收集，其范圍覆蓋了加利福尼亞州所有主要城市區(qū)域的高速公路系統(tǒng).該數(shù)據(jù)集可由其官方網(wǎng)站http:∥pems.dot.ca.gov/獲得.由于PeMS全部數(shù)據(jù)體量較大，目前衍生出數(shù)個(gè)常用子數(shù)據(jù)集，包括PeMS-03、PeMS-04、PeMS-07 、PeMS-08、PeMS-SF以及PeMS-BAY等.子數(shù)據(jù)集覆蓋了不同大小的區(qū)域，包含不同數(shù)量傳感器采集的不同時(shí)間跨度以及不同時(shí)間粒度的交通流信息.

2)METR-LA

該數(shù)據(jù)集采集自洛杉磯高速路的207個(gè)傳感器，每組數(shù)據(jù)的時(shí)間間隔為5 min，該數(shù)據(jù)由其官網(wǎng)https:∥www.metro.net/獲得，并用于DCRNN[19]模型的實(shí)驗(yàn)測試中首次使用.

3)LOOP[28]

該數(shù)據(jù)集由部署在華盛頓州西雅圖地區(qū)的4條相連的高速公路上的323 個(gè)地感線圈收集而來.該數(shù)據(jù)集包含2015年全年的速度數(shù)據(jù)，時(shí)間間隔為5 min.數(shù)據(jù)地址：https:∥github.com/zhiyongc/Seattle-Loop-Data.

4)NYC Taxi

該數(shù)據(jù)集由紐約出租車與轎車委員會(huì)(Taxi and Limousine Commission)提供，收集了紐約出租車的行程記錄，包括上下車的日期與時(shí)間、上下車的位置、行程距離、分項(xiàng)票價(jià)、費(fèi)率類型、付款類型以及乘客人數(shù)等信息.數(shù)據(jù)集所含數(shù)據(jù)的時(shí)間跨度為2009—2020年且仍在不斷更新之中.該數(shù)據(jù)集可通過網(wǎng)址https:∥www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page獲得.

4 未來研究方向

隨著智慧交通以及深度學(xué)習(xí)的發(fā)展，近年交通預(yù)測領(lǐng)域已取得長足的進(jìn)步，但目前仍存在許多富有研究價(jià)值與意義的問題和挑戰(zhàn).本文將從應(yīng)用、模型以及多源數(shù)據(jù)的角度分類討論未來研究的方向，以及目前富有價(jià)值與意義的嘗試.

4.1 應(yīng)用研究

近年來，交通預(yù)測領(lǐng)域內(nèi)對圖卷積網(wǎng)絡(luò)的應(yīng)用已日漸豐富，包括但不限于道路車輛流量預(yù)測[58,79-83]、道路車輛平均速度預(yù)測[84-85]、道路車輛占有率預(yù)測[44]、道路交通狀態(tài)預(yù)測[28,72,86-87]、行人軌跡預(yù)測[88-89]、車輛軌跡預(yù)測[90]、通勤時(shí)間預(yù)測[91-92]、軌道交通客流預(yù)測[93-94]、物流時(shí)間預(yù)測[95]、出租車需求預(yù)測[31-32]以及共享單車需求預(yù)測[60,96]等.

然而，目前的交通預(yù)測成果大多集中于短時(shí)常態(tài)預(yù)測，對于長時(shí)以及非常態(tài)下的研究相對較少.

1)長時(shí)交通預(yù)測

對于長時(shí)交通預(yù)測而言，由于更復(fù)雜的時(shí)空依賴性和更多不確定性因素，長時(shí)預(yù)測比中短時(shí)預(yù)測更加困難.Wang等[97]即利用LSTM網(wǎng)絡(luò)以及自編碼器架構(gòu)對數(shù)據(jù)的長時(shí)特征進(jìn)行學(xué)習(xí)，并在其自編碼器中提出了一種基于學(xué)習(xí)相似模式的硬注意力機(jī)制以增強(qiáng)神經(jīng)元的記憶并減少誤差在傳播過程中的累積.但上述模型均未以圖結(jié)構(gòu)對數(shù)據(jù)進(jìn)行建模表示且模型中利用CNN及RNN對單時(shí)序數(shù)據(jù)的時(shí)空特征進(jìn)行提取，忽略了時(shí)序數(shù)據(jù)之間的相互影響.因此，未來可針對此問題在此基礎(chǔ)上通過圖結(jié)構(gòu)對數(shù)據(jù)進(jìn)行表示，并引入GCN以實(shí)現(xiàn)更加精準(zhǔn)的長時(shí)交通預(yù)測.

2)非常態(tài)交通預(yù)測

交通異常狀況即發(fā)生于交通營運(yùn)過程之中，或發(fā)生于交通體系之外，但影響到交通正常運(yùn)行的情況及事件，例如突發(fā)交通事故，人群大規(guī)模聚集，惡劣天氣導(dǎo)致的路面結(jié)冰、積水等非常態(tài)情形.雖然非常態(tài)數(shù)據(jù)體量較小，但可借鑒小樣本學(xué)習(xí)以及遷移學(xué)習(xí)的思想.異常交通事件對于公共出行安全具有極大威脅，因此，該研究方向具有重要社會(huì)價(jià)值.交通異常事件往往具有突發(fā)性強(qiáng)以及連鎖影響范圍廣等特點(diǎn).Guo等[98]測試了KNN、RNN以及TDNN算法在異常狀況下交通預(yù)測的準(zhǔn)確率，并表示KNN效果較好.Li等[99]則發(fā)現(xiàn)當(dāng)同時(shí)使用來自多個(gè)傳感器的交通信息時(shí)，可以在短期趨勢上提高預(yù)測準(zhǔn)確性.其研究表明，對于異常狀況下的交通流預(yù)測，交通流序列之間的空間關(guān)系變得更加重要.因此，對于該問題，將圖卷積網(wǎng)絡(luò)引入其中可作為未來重點(diǎn)研究方向之一.

4.2 模型研究

GCN由于對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行卷積操作，所以，圖表示與圖卷積操作均具有深入研究價(jià)值.對于構(gòu)建圖，目前研究熱點(diǎn)包括但不局限于動(dòng)態(tài)圖卷積網(wǎng)絡(luò)、多圖卷積網(wǎng)絡(luò)以及深層圖卷積網(wǎng)絡(luò).

1)動(dòng)態(tài)圖建模

由于許多交通網(wǎng)絡(luò)本質(zhì)上均為圖拓?fù)浣Y(jié)構(gòu)，為充分利用該拓?fù)湫畔ⅲ煌〝?shù)據(jù)均依靠圖建模進(jìn)行表示.在構(gòu)建圖的過程中，鄰接矩陣承擔(dān)了空間信息的載體.大多數(shù)用于交通預(yù)測的GCN均采用了靜態(tài)鄰接矩陣，即假定節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系不隨時(shí)移而改變.該鄰接矩陣往往由研究人員根據(jù)實(shí)際交通情況手工設(shè)計(jì)而來，最常見的即表示路面節(jié)點(diǎn)間連接關(guān)系的0-1矩陣以及表示節(jié)點(diǎn)之間實(shí)際地理距離的距離矩陣.

但目前有研究者認(rèn)為預(yù)定義的鄰接矩陣并不能很好地反映節(jié)點(diǎn)之間真正的相關(guān)性及其時(shí)空依賴[89]，反而從數(shù)據(jù)中學(xué)得的動(dòng)態(tài)鄰接矩陣在相關(guān)交通預(yù)測問題上表現(xiàn)出更加準(zhǔn)確的效果.例如：Guo等[100]在訓(xùn)練階段通過數(shù)據(jù)驅(qū)動(dòng)的方式學(xué)習(xí)優(yōu)化圖，從而從交通數(shù)據(jù)中揭示了路段之間的潛在關(guān)系.在圖卷積的過程中，拉普拉斯矩陣由鄰接矩陣計(jì)算而來，Diao等[27]設(shè)計(jì)了動(dòng)態(tài)拉普拉斯矩陣估計(jì)器，給定一個(gè)代表交通網(wǎng)絡(luò)靜態(tài)結(jié)構(gòu)的全局拉普拉斯矩陣，同時(shí)利用短期交通流變化估計(jì)實(shí)時(shí)拉普拉斯矩陣，從而實(shí)現(xiàn)動(dòng)態(tài)建模.

GCN無疑依賴于良好定義的圖結(jié)構(gòu)信息[101].當(dāng)基于空間位置的鄰接矩陣不明確時(shí)，對于交通數(shù)據(jù)這種多元時(shí)間序列可分析多元變量間的因果關(guān)系，并動(dòng)態(tài)地構(gòu)建鄰接矩陣.

此外，超圖[102]作為一種圖的表示方法，由于可以表示個(gè)體之間的高階關(guān)系，目前被廣泛應(yīng)用于社交網(wǎng)絡(luò)或通信網(wǎng)絡(luò)等領(lǐng)域之中.與普通圖相比，超邊可同時(shí)連接多個(gè)節(jié)點(diǎn)，從而突破兩兩關(guān)系的限制.例如：Wang等[103]在軌道交通預(yù)測中利用靜態(tài)的超邊表示軌道交通的線路，在此基礎(chǔ)上對交通流OD進(jìn)行分析，挖掘不同時(shí)間跨度下的車流或客流的出行規(guī)律.以北京地鐵為例，天通苑站及周圍站點(diǎn)與中關(guān)村及其周圍站點(diǎn)在軌道網(wǎng)絡(luò)中并非直接相連，但由OD分析可發(fā)掘出兩者之間存在客流強(qiáng)關(guān)聯(lián)且該關(guān)聯(lián)隨時(shí)移呈現(xiàn)出不同模式.因此，可據(jù)此構(gòu)建動(dòng)態(tài)超邊，與靜態(tài)超邊同時(shí)納入超圖之中，并通過超圖時(shí)空卷積網(wǎng)絡(luò)實(shí)現(xiàn)交通預(yù)測.

2)多圖卷積網(wǎng)絡(luò)

隨著GCN的發(fā)展，單圖所承載的信息越來越難以滿足交通預(yù)測的需求.研究者即通過多圖卷積網(wǎng)絡(luò)，尤其是異質(zhì)圖卷積網(wǎng)絡(luò)，對交通預(yù)測問題進(jìn)行了更加精細(xì)化建模.

Lv等[104]認(rèn)為現(xiàn)有工作多數(shù)局限于利用時(shí)空模型進(jìn)行交通預(yù)測，而道路之間的語義相關(guān)性(semantic correlation)同樣重要.在其所提時(shí)序多圖卷積網(wǎng)絡(luò)(temporal multi-graph convolutional network,T-MGCN)中利用道路之間的空間相關(guān)性以及語義相關(guān)性構(gòu)建多圖，對多圖分別進(jìn)行圖卷積后將結(jié)果融合，再通過GRU提取時(shí)序特征，實(shí)現(xiàn)交通流預(yù)測.Chai等[105]則通過共享自行車站點(diǎn)之間的距離以及行駛記錄相關(guān)性等關(guān)聯(lián)關(guān)系構(gòu)造多圖.與Lv等[104]的方法不同的是，Chai等[105]在處理多圖卷積時(shí)，先進(jìn)行圖融合操作，再對融合圖做圖卷積.類似地，Ke等[106]也通過空間距離以及語義相關(guān)性為出租車的OD預(yù)測構(gòu)造多圖 .針對軌道交通，進(jìn)出站客流在不同時(shí)間跨度下的出行模式也可以通過多個(gè)超圖進(jìn)行建模[103].針對路面交通，Song等[21]針對時(shí)序特征，設(shè)計(jì)了不同時(shí)間段的多個(gè)模塊以有效地捕獲時(shí)空圖中的異質(zhì)性.Zhang等[107]則通過路網(wǎng)節(jié)點(diǎn)之間的距離、方向以及位置關(guān)系構(gòu)建多圖神經(jīng)網(wǎng)絡(luò).在復(fù)雜多層次交通數(shù)據(jù)的建模上，多圖卷積網(wǎng)絡(luò)取得了良好的效果.如何挖掘更深層次的多圖表示，如何實(shí)現(xiàn)更高效的多圖卷積操作，仍是目前及未來的研究熱點(diǎn).

3)多任務(wù)圖網(wǎng)絡(luò)

與多圖卷積網(wǎng)絡(luò)不同，多任務(wù)圖網(wǎng)絡(luò)借鑒了多任務(wù)學(xué)習(xí)(multi-task learning)的架構(gòu).多任務(wù)學(xué)習(xí)的初衷在于僅關(guān)注單個(gè)任務(wù)可能會(huì)忽略相關(guān)任務(wù)中潛在但有益的信息.通過在一定程度上共享任務(wù)之間的參數(shù)或特征，可提升主要任務(wù)的表現(xiàn).通常，多任務(wù)可以分為同構(gòu)任務(wù)和異構(gòu)任務(wù).同構(gòu)任務(wù)可直接共享模型的參數(shù)，從而降低訓(xùn)練中過擬合的風(fēng)險(xiǎn).異構(gòu)任務(wù)的模型不同，但通過在訓(xùn)練中共享中間層特征，從而相互提供額外信息[108].

在交通預(yù)測領(lǐng)域，Huang等[109]提出了一種基于多任務(wù)深度網(wǎng)絡(luò)架構(gòu)，該架構(gòu)由底部的深度信念網(wǎng)絡(luò)(deep belief network)以及頂部的多任務(wù)回歸層組成.Zhang等[110]將地理位置劃分為交通單元，利用多任務(wù)學(xué)習(xí)對每個(gè)交通單元通過時(shí)間卷積實(shí)現(xiàn)乘客需求預(yù)測.Gao等[111]則利用多任務(wù)學(xué)習(xí)融合了GPS軌跡、智能手機(jī)數(shù)據(jù)和道路網(wǎng)絡(luò)結(jié)構(gòu)以估計(jì)出租車乘客的出行時(shí)間.多任務(wù)學(xué)習(xí)為深度網(wǎng)絡(luò)模型提供了優(yōu)化并利用了多源數(shù)據(jù)的潛力，在交通預(yù)測領(lǐng)域基于GCN的多任務(wù)學(xué)習(xí)框架仍具有很高的研究價(jià)值.

4)圖卷積優(yōu)化

GCN可以使圖信號更加平滑，這是圖卷積的固有優(yōu)勢.但是，在GCN的層數(shù)不斷加深時(shí)，其訓(xùn)練結(jié)果極易出現(xiàn)過平滑的情況[14].由于圖卷積是特殊形式的拉普拉斯平滑，在圖卷積聚合鄰居節(jié)點(diǎn)特征的過程中，平滑操作使信號在特征層面更加一致，從而使信號失去其多樣性，導(dǎo)致相關(guān)預(yù)測任務(wù)的性能急劇下降，該現(xiàn)象在小數(shù)據(jù)集上更加明顯.因此，GCN不能像一般卷積模型那樣不斷深入地堆疊，但淺層神經(jīng)網(wǎng)絡(luò)又存在感受野和特征提取能力有限的問題.

針對該問題，一種解決思路是基于隨機(jī)游走(random walk)的協(xié)同訓(xùn)練(co-training)[112]方法.因?yàn)殡S機(jī)游走可以探索全局圖結(jié)構(gòu)，彌補(bǔ)了圖卷積操作局部平滑的缺陷.另一種增大圖卷積感受野的思路是自訓(xùn)練(self-training)方法.該方法首先訓(xùn)練帶給定標(biāo)簽的GCN，隨后為每個(gè)類別選擇最可靠的預(yù)測并將其添加到標(biāo)簽集中.在此基礎(chǔ)上，使用預(yù)先訓(xùn)練的GCN繼續(xù)使用擴(kuò)展標(biāo)簽后的數(shù)據(jù)集訓(xùn)練GCN.上述2種方法也可以同時(shí)進(jìn)行，其目的都是擴(kuò)展訓(xùn)練集.

在圖卷積操作過程中，由于中心節(jié)點(diǎn)的特征易于向鄰居節(jié)點(diǎn)傳播，而邊緣節(jié)點(diǎn)的特征則很難輻射至其余邊緣節(jié)點(diǎn).為克服此缺點(diǎn)，可引入一種通用的自動(dòng)編碼器網(wǎng)絡(luò)架構(gòu)，將數(shù)據(jù)內(nèi)容信息補(bǔ)充到GCN，實(shí)現(xiàn)類似于殘差網(wǎng)絡(luò)的效果，或使用跳躍圖卷積網(wǎng)絡(luò)實(shí)現(xiàn)特征的有效傳遞.為了更好地捕獲數(shù)據(jù)樣本之間的高階關(guān)系，同時(shí)可以利用注意力融合機(jī)制對可判別信息進(jìn)行突出.基于上述思路，在深度堆疊的GCN中，每一層都用于捕獲數(shù)據(jù)的不同潛在特征.

4.3 多源數(shù)據(jù)融合

近年來交通預(yù)測方法不斷由模型驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)，即由數(shù)學(xué)模型推導(dǎo)演變?yōu)橥诰虿W(xué)習(xí)數(shù)據(jù)本身的特征.目前，基于單一數(shù)據(jù)源的學(xué)習(xí)已逐漸完備，但實(shí)際中交通數(shù)據(jù)多源異構(gòu)的特點(diǎn)決定了該領(lǐng)域研究必將從單源走向多源.同時(shí)空內(nèi)，跨媒體交通數(shù)據(jù)類型多樣并結(jié)構(gòu)復(fù)雜，但同時(shí)相互影響且互為補(bǔ)充.針對多源交通數(shù)據(jù)的挑戰(zhàn)，本文將小樣本學(xué)習(xí)、跨媒體數(shù)據(jù)融合以及交通知識圖譜嵌入作為未來研究方向的參考.

1)小樣本學(xué)習(xí)

目前，大多數(shù)交通預(yù)測的解決方案均通過密集的歷史交通數(shù)據(jù)進(jìn)行訓(xùn)練，但由于交通數(shù)據(jù)采集等問題，城市之間交通數(shù)據(jù)量級不同，部分城市交通數(shù)據(jù)量較小或質(zhì)量較差.同時(shí)，用以輔助交通預(yù)測的極端天氣、交通事故、交通管制以及其他異常事件等發(fā)生頻率遠(yuǎn)低于交通數(shù)據(jù)采集頻率，使得學(xué)習(xí)過程異常困難.因此，交通預(yù)測領(lǐng)域的小樣本學(xué)習(xí)問題同樣為未來研究方向之一.

元學(xué)習(xí)在監(jiān)督學(xué)習(xí)領(lǐng)域?yàn)樾颖緦W(xué)習(xí)提供了解決思路，Pan等[68]即提出了元-圖注意力模塊與元-循環(huán)神經(jīng)網(wǎng)絡(luò)模塊.其中注意力模塊的權(quán)重是通過地理屬性中提取的節(jié)點(diǎn)和邊的元知識生成的，因此，理論上可以對各種空間相關(guān)性進(jìn)行建模，而循環(huán)神經(jīng)網(wǎng)絡(luò)根據(jù)每個(gè)節(jié)點(diǎn)的元知識生成門控循環(huán)單元的所有權(quán)重，從而實(shí)現(xiàn)元學(xué)習(xí)的GCN模型.

解決此問題的另一種思路是通過遷移學(xué)習(xí)來執(zhí)行跨城市的交通預(yù)測任務(wù).該思路旨在將交通知識從數(shù)據(jù)源豐富的城市轉(zhuǎn)移到數(shù)據(jù)稀缺的目標(biāo)城市.但目前該研究方向尚未進(jìn)行徹底的探究，例如如何設(shè)計(jì)一個(gè)高質(zhì)量泛用性強(qiáng)的用于交通預(yù)測的遷移學(xué)習(xí)框架，或者如何實(shí)現(xiàn)小樣本外部數(shù)據(jù)的嵌入學(xué)習(xí)等.

2)跨媒體數(shù)據(jù)融合

目前，交通領(lǐng)域已經(jīng)匯聚了監(jiān)控設(shè)備采集的視頻、圖像，線圈卡口采集的流量、速度、占有率以及車載設(shè)備采集的GPS等海量多源異構(gòu)的高維交通數(shù)據(jù)，同時(shí)惡劣天氣、交通事故以及交通管制等輔助數(shù)據(jù)同樣對于交通預(yù)測具有不可忽視的價(jià)值.由于難以從單一數(shù)據(jù)源全面且精準(zhǔn)地捕獲交通特征，并且針對體量大、時(shí)空跨度廣以及結(jié)構(gòu)復(fù)雜等特點(diǎn)，對多源交通數(shù)據(jù)進(jìn)行融合、協(xié)同分析已成為該領(lǐng)域未來研究方向之一.對于多源交通數(shù)據(jù)融合，本文認(rèn)為需研究跨媒體數(shù)據(jù)的有效表達(dá)方法及協(xié)同分析模型.

無論是圖時(shí)空網(wǎng)絡(luò)或圖注意力網(wǎng)絡(luò)，其關(guān)注點(diǎn)均主要在于時(shí)空特征的提取.在此基礎(chǔ)上，若引入交通流數(shù)據(jù)之外有價(jià)值的信息，勢必對交通預(yù)測問題有所提升.Ni等[113]通過研究社交媒體的動(dòng)態(tài)進(jìn)而感知交通事件的發(fā)生，并通過分析表明軌道交通的客流量與社交媒體的發(fā)帖率之間存在正相關(guān)關(guān)系.基于該發(fā)現(xiàn)，Ni等[113]提出了基于標(biāo)簽的事件監(jiān)測算法并與SARIMA模型相結(jié)合，用于軌道交通的客流預(yù)測.同樣針對軌道客流預(yù)測問題，Chen等[114]則利用刷卡數(shù)據(jù)對異常事件進(jìn)行捕獲，并結(jié)合ARIMA模型實(shí)現(xiàn)預(yù)測.社交媒體數(shù)據(jù)[115]、刷卡數(shù)據(jù)[116]、遙感數(shù)據(jù)[117]及天氣數(shù)據(jù)[118]均被用作提升預(yù)測精度的外源數(shù)據(jù).Zhang等[118]在其所提框架中將雨雪天氣等外部因素通過門控機(jī)制融合至預(yù)測模型之中.但目前上述方法均未考慮交通數(shù)據(jù)的圖表示及GCN，因此，在GCN的基礎(chǔ)上，通過多任務(wù)學(xué)習(xí)等方法融合多源異構(gòu)交通數(shù)據(jù)具有廣闊的研究前景.

3)交通知識圖譜嵌入

知識圖譜是對某領(lǐng)域的知識整合以及利用的重要工具，由大量知識實(shí)體及其之間的關(guān)系交織而成.交通運(yùn)輸領(lǐng)域的知識存在于海量多源異構(gòu)的交通數(shù)據(jù)之中.對于交通知識圖譜，未來主要研究圖譜構(gòu)建以及知識嵌入兩方面內(nèi)容.

知識圖譜構(gòu)建方面，早期主要為泛領(lǐng)域化的語義網(wǎng)絡(luò)，強(qiáng)調(diào)廣義概念之間的關(guān)聯(lián)關(guān)系.近年來面向特定行業(yè)應(yīng)用領(lǐng)域的知識圖譜逐步涌現(xiàn)，例如語義網(wǎng)絡(luò)知識圖譜[119]以及醫(yī)療知識圖譜[120]等.對于交通領(lǐng)域，則需要明確知識實(shí)體以及實(shí)體之間的多層次關(guān)聯(lián)關(guān)系，挖掘跨域全時(shí)交通數(shù)據(jù)之間的深度關(guān)聯(lián)與知識聚合，實(shí)現(xiàn)交通知識圖譜構(gòu)建.在構(gòu)建交通知識圖譜的基礎(chǔ)上，可研究知識的嵌入模型.目前，主流方法有基于TransE[121]及其擴(kuò)展和變體的平移距離模型以及基于Rescal[122]的擴(kuò)展和變體語義匹配模型等.交通知識的嵌入對于交通預(yù)測模型而言可提供無法由交通流數(shù)據(jù)中學(xué)得的額外信息.因此，如何對交通知識進(jìn)行抽取并構(gòu)建相關(guān)知識圖譜，如何將交通知識嵌入交通預(yù)測模型之中，如何將富有價(jià)值意義的交通知識應(yīng)用于實(shí)際交通預(yù)測問題之中是未來交通預(yù)測領(lǐng)域的重點(diǎn)研究方向之一.

5 結(jié)論

1)本文首先梳理了交通預(yù)測問題以及圖卷積神經(jīng)網(wǎng)絡(luò)的基本定義.在此基礎(chǔ)上對不同類型的基于GCN的交通預(yù)測模型進(jìn)行分類介紹，包括圖時(shí)空網(wǎng)絡(luò)、圖自編碼器以及圖注意力網(wǎng)絡(luò)等.

2)針對交通預(yù)測實(shí)驗(yàn)，本文介紹了目前全球范圍內(nèi)廣泛用于科學(xué)研究的部分公開交通數(shù)據(jù)集，包括其數(shù)據(jù)來源、數(shù)據(jù)內(nèi)容以及數(shù)據(jù)獲取地址等信息.

3)討論了未來的幾點(diǎn)研究方向，包括應(yīng)用研究方向、模型研究方向以及多源數(shù)據(jù)研究方向.本文適合用于快速了解GCN在交通預(yù)測領(lǐng)域的模型及應(yīng)用.