基于圖神經(jīng)網(wǎng)絡的交通流預測＊

賴俊龍

(華南農(nóng)業(yè)大學數(shù)學與信息學院，廣東 廣州 510642)

0 引言

交通流預測是智能交通系統(tǒng)中的重要成分，準確、有效的預測能夠改善和緩解城市的交通問題。然而，由于交通路網(wǎng)拓撲結(jié)構(gòu)的約束和交通流隨時間變化的規(guī)律，即：空間依賴性和時間依賴性，交通流預測成為一個有挑戰(zhàn)性的問題。

傳統(tǒng)的方法有ARIMA、卡爾曼濾波模型等，它們難以處理有較強不確定性的數(shù)據(jù)。因此，如K 近鄰模型、支持向量機模型等機器學習方法被提出，它們能夠?qū)Ω呔S和非線性特征的數(shù)據(jù)進行建模，然而，這些模型在捕獲空間相關性上存在局限性。為此，Jiang 等將交通網(wǎng)絡視為圖像并用卷積神經(jīng)網(wǎng)絡來捕獲空間特征；Cheng等將卷積神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）結(jié)合來學習時空相關性。但交通網(wǎng)絡并不像圖像那樣是規(guī)則的結(jié)構(gòu)，于是，圖卷積神經(jīng)網(wǎng)絡（Graph Convolutional Network，GCN）被提出并用于特征學習。Zhao 等將GCN 與RNN結(jié)合提出了T-GCN模型；Li等提出擴散卷積門控循環(huán)單元，并結(jié)合編碼器-解碼器結(jié)構(gòu)提出了DCRNN模型，但這些模型的預測效果還有待提高。

為應對上述挑戰(zhàn)和問題，提出多分辨率時空注意力網(wǎng)絡（Multi-Resolution Spatio-Temporal Attention Network，MRSTAN），以便有效地利用時空特征，進而提高預測的精準度。

1 本文模型

圖1為模型的框架，主要包括空間模塊、時間模塊和融合模塊三個組件。

圖1 多分辨率時空注意力網(wǎng)絡框架

1.1 空間依賴性

傳統(tǒng)GCN 采用的圖結(jié)構(gòu)是靜態(tài)的，不能正確的描述流量之間的依賴關系。如圖2 所示，道路1 發(fā)生交通事故后，隨時間演變會影響到道路2、3、4 處的交通情況。

圖2 交通流時空相關性

為了能自適應地學習空間結(jié)構(gòu)，采用了Guo 等提出的空間注意力，具體公式為：

1.2 時間依賴性

RNN 常用于序列數(shù)據(jù)，但其存在梯度消失和梯度爆炸等缺陷。其變體LSTM 和GRU 可以解決這些缺陷，其中LSTM 比GRU 結(jié)構(gòu)更加復雜，訓練時間更長。因此，選擇GRU模型獲取時間依賴性，其具體公式如下：

1.3 多分辨率融合

交通流具有周期性，不同的分辨率下，它們之間的相似性有助于模型更好地學習到其中的規(guī)律。如圖3所示，2022年2月27日7:30-8:30為要預測的真實數(shù)據(jù)，其與昨天、上周同一時段的車流量具有相似的趨勢，例如都在第5個觀測點附近達到最低點，在接近第7個觀測點達到最高峰，都具有繼續(xù)上升的趨勢。

圖3 交通流時間周期性

2 實驗

2.1 數(shù)據(jù)集

實驗中，采用PeMS-04 和PeMS-08 高速公路數(shù)據(jù)集，對其進行歸一化并按照6：2：2 的比例隨機劃分成訓練集、驗證集和測試集。

2.2 基線方法

為了評估模型的性能，將MRSTAN與以下基線方法進行了比較。

T-GCN：它在靜態(tài)圖上進行圖卷積，并結(jié)合循環(huán)神經(jīng)網(wǎng)絡進行交通流預測。

Graph WaveNet：是一種使用自適應圖表示和擴張卷積的深度學習框架。

ASTGCN：它是基于注意力的時空圖卷積網(wǎng)絡，利用時空注意力機制分別對時空動態(tài)進行建模。

STSGCN：利用多個局部的時空子圖模塊直接同步捕獲局部時空相關性。

STGODE：一種基于神經(jīng)微分方程的交通流預測框架，使用了連續(xù)的圖卷積和擴張卷積進行預測。

2.3 實驗設置

所有實驗均在Linux 服務器上進行（CPU：Intel(R)Xeon(R) Gold 5218，GPU：GeForce RTX 2080 Ti）。均采用60 分鐘作為歷史時間窗口，并預測未來60 分鐘的交通流狀況。基線方法都遵循其論文中報告的最佳參數(shù)和結(jié)果。對本模型而言，所有隱藏維度都設置為64，采用三階的切比雪夫多項式進行圖卷積，空間模塊層數(shù)為2，Adam 優(yōu)化器的學習率為0.001，采用L1 范數(shù)作為損失函數(shù)，使用MAE、RMSE 和MAPE 作為性能指標，batchsize為32，訓練代數(shù)為250。

2.4 實驗結(jié)果及分析

實驗結(jié)果如表1 所示，從中可知，在PeMS-04 上，本文方法各指標均優(yōu)于最佳基線方法STGODE，在PeMS-08數(shù)據(jù)集上，MAPE比STGODE略差0.23%，但MAE 和RMSE 分別獲得了2.63%和1.45%的改進，這些結(jié)果證明了模型的有效性。

表1 算法實驗結(jié)果

2.5 消融實驗

為了驗證本方法不同模塊的有效性，設計了兩個變體：①-A：沒有注意力機制；②-F：沒有融合機制。實驗結(jié)果見圖4，顯然，兩個變體誤差更大，表明模型的組件都是有效的。此外，沒有融合機制的模型表現(xiàn)最糟糕，表明本文提出的融合模塊的重要性。

圖4 總體誤差

3 結(jié)束語

針對交通流預測效果不佳的問題，提出多分辨率時空注意力網(wǎng)絡。先用注意力圖卷積操作獲取空間特征，再用GRU 獲取時間特征，最后融合不同時期的交通流進行預測。實驗表明，該模型優(yōu)于基線方法。未來可以將其應用于其他時空相關性預測問題上，如天氣預測、氣候變化預測等。