一種融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測模型

賈百強(qiáng)， 徐延軍，， 周 濤

(1.中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135；2.上海船舶運(yùn)輸科學(xué)研究所有限公司，上海 200135)

0 引 言

近年來，隨著經(jīng)濟(jì)的不斷發(fā)展，我國的人均汽車保有量不斷增加，交通擁堵已成為高速公路中常見的現(xiàn)象。尤其是在節(jié)假日期間，高速公路擁堵現(xiàn)象更為嚴(yán)重。因此，預(yù)測節(jié)假日期間交通流量的變化趨勢，對于緩解交通擁堵現(xiàn)象，確保路網(wǎng)運(yùn)行暢通而言具有重要意義。

現(xiàn)有的交通流量預(yù)測方法可分為模型驅(qū)動的方法和數(shù)據(jù)驅(qū)動的方法2種。

1)模型驅(qū)動的方法主要解釋交通流量、速度和密度之間的瞬時和穩(wěn)態(tài)關(guān)系。這種方法需基于對先驗(yàn)知識的全面掌握和詳細(xì)的系統(tǒng)建模才能實(shí)現(xiàn)，代表性方法有排隊(duì)論模型[1]和交通速度模型[2]等?，F(xiàn)實(shí)中，交通數(shù)據(jù)會受多種因素的影響，采用該方法很難得到準(zhǔn)確的交通模型。

2)數(shù)據(jù)驅(qū)動的方法根據(jù)數(shù)據(jù)的統(tǒng)計規(guī)律推斷交通的變化趨勢，并最終預(yù)測和評估交通狀態(tài)。這種方法不分析交通系統(tǒng)的物理特性和動態(tài)行為，具有很強(qiáng)的靈活性,代表性方法有歷史平均模型[3]、自回歸移動平均(Autoregressive Integrated Moving Average,ARIMA)模型[4]、k-最近鄰模型[5]、支持向量回歸(Support Vactor Regression,SVR)模型[6]和神經(jīng)網(wǎng)絡(luò)模型等。

目前，傳統(tǒng)的高速公路管理信息化平臺只對收集到的數(shù)據(jù)進(jìn)行簡單的統(tǒng)計，形成交通評價結(jié)果，沒有充分利用數(shù)據(jù)中隱含的更有價值的信息預(yù)測未來的交通狀況。流量預(yù)測場景大多集中在旅游區(qū)游客流量預(yù)測[7]和航空交通流量預(yù)測[8]等領(lǐng)域中，高速公路場景下的交通流量預(yù)測很少。因此，選擇合適、高效的交通流量預(yù)測方法，利用有限的節(jié)假日歷史數(shù)據(jù)，適應(yīng)節(jié)假日流量預(yù)測需求，實(shí)現(xiàn)快速準(zhǔn)確的流量預(yù)測，是亟需解決的問題。

基于上述分析，本文提出一種融合時空圖卷積網(wǎng)絡(luò)(Spatio-Temporal Graph Convolutional Network, ST-GCN)算法的高速公路節(jié)假日流量預(yù)測模型。以寧夏高速公路某區(qū)段為研究對象，對該模型的有效性進(jìn)行驗(yàn)證。該模型基于收集到的大量交通數(shù)據(jù)，既能在面對高并發(fā)等場景時具有較強(qiáng)的穩(wěn)定性和魯棒性，又能有效利用交通數(shù)據(jù)達(dá)到高效準(zhǔn)確預(yù)測未來時段內(nèi)的交通流量的目的。

1 模型架構(gòu)和數(shù)據(jù)預(yù)處理

1.1 總體架構(gòu)

該融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測模型主要由數(shù)據(jù)預(yù)處理、交通流量預(yù)測與分析和數(shù)據(jù)展示與共享等3部分組成，見圖1。

圖1 系統(tǒng)總體架構(gòu)

1)數(shù)據(jù)預(yù)處理部分主要是數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)清洗，實(shí)時收集的數(shù)據(jù)包括業(yè)務(wù)數(shù)據(jù)和參數(shù)數(shù)據(jù)。業(yè)務(wù)數(shù)據(jù)有出入口收費(fèi)站數(shù)據(jù)、門架交易數(shù)據(jù)、行車數(shù)據(jù)、基礎(chǔ)路網(wǎng)數(shù)據(jù)和天氣數(shù)據(jù)等；參數(shù)數(shù)據(jù)有模型參數(shù)、預(yù)測參數(shù)和路網(wǎng)參數(shù)。對收集的數(shù)據(jù)進(jìn)行清洗，如缺失值填充、異常值清洗和格式內(nèi)容校驗(yàn)等。

2)交通流量預(yù)測與分析部分主要包括數(shù)據(jù)庫數(shù)據(jù)整合、預(yù)測場景、算法模型和模型評價體系。

(1)數(shù)據(jù)庫存放經(jīng)過預(yù)處理得到的數(shù)據(jù)，通過將數(shù)據(jù)庫中的多源數(shù)據(jù)整合到模型中，提高模型的預(yù)測精度；

(2)預(yù)測場景包括常規(guī)節(jié)假日場景和特殊場景，模型主要應(yīng)用于寧夏高速公路中，寧夏除了有常規(guī)的節(jié)假日以外，還有開齋節(jié)和古爾邦節(jié)，對應(yīng)的預(yù)測模型也需進(jìn)行適應(yīng)性設(shè)定；

(3)模型針對高速公路預(yù)測場景的時空特性，利用長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)[9]模型處理時序數(shù)據(jù)得到時間特性，利用圖卷積網(wǎng)絡(luò)[10](Graph Convolutional Network,GCN)模型捕獲高速公路空間特性，采用注意力機(jī)制處理天氣等影響交通狀況的外部因素；

(4)建立模型評價體系，對預(yù)測結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行比較，計算預(yù)測數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)之間的誤差和預(yù)測的準(zhǔn)確度，通過分析發(fā)現(xiàn)模型中存在的問題，結(jié)合在線學(xué)習(xí)不斷對模型進(jìn)行迭代更新和優(yōu)化調(diào)整。

3)數(shù)據(jù)展示與共享部分主要是對預(yù)測的數(shù)據(jù)進(jìn)行展示和對外支撐。對預(yù)測到的未來一段時間內(nèi)的車速和交通流量數(shù)據(jù)進(jìn)行可視化展示，并與過去同時段的數(shù)據(jù)相對比；同時，源數(shù)據(jù)和預(yù)測數(shù)據(jù)通過API(Application Program Interface)接口提供共享調(diào)用服務(wù)。

1.2 技術(shù)架構(gòu)

該模型的技術(shù)架構(gòu)主要分為展示層、訪問層、支撐層和基礎(chǔ)數(shù)據(jù)層，每個層次根據(jù)不同的作用分為不同的功能模塊，采用不同的前沿技術(shù)支撐功能，見圖2。

圖2 系統(tǒng)技術(shù)架構(gòu)

1)展示層采用HTML5結(jié)合CSS3對預(yù)測結(jié)果和其他相關(guān)信息進(jìn)行展示，利用canvas技術(shù)實(shí)現(xiàn)對部分矢量圖像的繪制。對于需要3D立體繪圖的功能，采用webGL進(jìn)行渲染?；谝陨霞夹g(shù)，展示層實(shí)現(xiàn)融合監(jiān)控、態(tài)勢預(yù)測、統(tǒng)計報表制作和事件報警等功能。

2)訪問層采用Nginx技術(shù)提高系統(tǒng)的并發(fā)能力和可靠性，并通過API Gateway對外提供共享數(shù)據(jù)訪問接口。訪問層結(jié)合API接口對外展示未來的交通信息，如路側(cè)情報板、門架式LED(Light-Emitting Diade)指示屏等。

3)支撐層基于Redis數(shù)據(jù)計算和存儲服務(wù)，包括OLAP(On-Line Analysis Processing)分布式文件存儲和分布式搜索引擎等,由TensorFlow為系統(tǒng)預(yù)測提供底層算法庫和機(jī)器學(xué)習(xí)框架。支撐層主要對源數(shù)據(jù)進(jìn)行處理、存儲和計算等操作，對展示層負(fù)責(zé)，提供高效、高質(zhì)量的數(shù)據(jù)。

4)基礎(chǔ)數(shù)據(jù)層采用FTP(File Transfer Protocol)方式和SQL(Structured Query Language)方式實(shí)現(xiàn)外部數(shù)據(jù)的接入，將各種高速公路收費(fèi)站數(shù)據(jù)和其他路側(cè)設(shè)備的監(jiān)測數(shù)據(jù)接入系統(tǒng)中。系統(tǒng)接入多種源數(shù)據(jù)，包括出入口收費(fèi)站流水、門架采集的數(shù)據(jù)、基礎(chǔ)路網(wǎng)數(shù)據(jù)、GIS(Geographic Information System)數(shù)據(jù)、氣象數(shù)據(jù)和實(shí)時交通事件等。

1.3 數(shù)據(jù)預(yù)處理

高速公路節(jié)假日擁堵預(yù)測系統(tǒng)采集的數(shù)據(jù)來自于不同的系統(tǒng)和設(shè)備,存在因傳輸受到干擾而導(dǎo)致數(shù)據(jù)出現(xiàn)異常值的問題，以及因不同數(shù)據(jù)來源的標(biāo)準(zhǔn)不同而導(dǎo)致數(shù)據(jù)的格式不一致的問題等，因此需對采集的數(shù)據(jù)進(jìn)行清洗，清洗過程如下。

1)數(shù)據(jù)格式轉(zhuǎn)換：對源數(shù)據(jù)進(jìn)行格式驗(yàn)證，統(tǒng)一數(shù)據(jù)格式標(biāo)準(zhǔn)。常見的數(shù)據(jù)格式問題有：時間、日期和數(shù)值計數(shù)法等格式顯示不一致；錯誤字符冗余，如字符串首尾存在空格和字符串亂碼等；數(shù)據(jù)類型與該字段所需內(nèi)容不一致，如在天氣數(shù)據(jù)中，一些是用數(shù)字代指天氣類型，一些是以文本的形式描述。對于這些問題，數(shù)據(jù)轉(zhuǎn)換方法和轉(zhuǎn)換方式不限于格式化、字符替換和刪除等。

2)缺失值填充：對數(shù)據(jù)中的空值和缺失值進(jìn)行取數(shù)填充，一般采用前/后值填充、均數(shù)/中位數(shù)填充等方式。

3)異常值處理：采集的數(shù)據(jù)中可能會存在一些明顯不符合實(shí)際情況的異常值，如車速為負(fù)等，同時還有可能存在不合理的重復(fù)值等，一般采用刪除法去重，填充合理數(shù)據(jù)替換異常值。

4)非必要數(shù)據(jù)剔除：接入的多源數(shù)據(jù)中有一部分字段是系統(tǒng)預(yù)測不需要的，如收費(fèi)站數(shù)據(jù)中的交易數(shù)據(jù)等，將這些非必要的數(shù)據(jù)剔除。

2 ST-GCN算法模型

ST-GCN模型由GCN和LSTM網(wǎng)絡(luò)2部分組成。

1)空間依賴性。

交通量的變化主要取決于高速公路路網(wǎng)的拓?fù)浣Y(jié)構(gòu)。上游道路的交通狀況通過傳遞效應(yīng)影響下游道路的交通狀況，下游道路的交通狀況通過反饋效應(yīng)影響上游道路的交通狀況。同時，高速公路路網(wǎng)不同于圖像，其具有非歐幾里得拓?fù)浣Y(jié)構(gòu)。在本文研究的寧夏典型高速公路路段中，涉及到的路段有銀繞城高速、京藏高速、青銀高速和銀昆高速等，道路長度約為77.3 km，具體研究區(qū)域見圖3。該區(qū)域內(nèi)涉及到交通樞紐和互通立交，同時道路線性以曲線為主，包含收費(fèi)站、服務(wù)區(qū)、旅游風(fēng)景區(qū)和飛機(jī)場等多種服務(wù)屬性，具有典型的寧夏高速公路路網(wǎng)特征。面對當(dāng)前研究區(qū)域的路網(wǎng)結(jié)構(gòu)涉及到的交通節(jié)點(diǎn)和樞紐較多的復(fù)雜路網(wǎng)，采用GCN模型提取路網(wǎng)中的空間依賴性。

GCN的主要作用是在考慮相鄰節(jié)點(diǎn)的影響的同時，獲得圖中每個節(jié)點(diǎn)的表示，能對非歐幾里得域中的復(fù)雜關(guān)系和相互依賴性進(jìn)行建模。在傅里葉域中構(gòu)造一臺濾波器，將其作用于圖的節(jié)點(diǎn)及其1階鄰域內(nèi)，捕捉節(jié)點(diǎn)之間的空間特征，通過堆疊多個卷積層構(gòu)建GCN模型。圖3為寧夏高速公路研究區(qū)域示意圖。

圖3 寧夏高速公路研究區(qū)域示意圖

2)時間依賴性。

由于季節(jié)變化可能影響溫度和天氣，進(jìn)而影響交通,若只使用1個月或幾個月的數(shù)據(jù)，則模型不能推廣到不同的季節(jié)應(yīng)用。同時，若只使用特定時間段的數(shù)據(jù)或只使用工作日的數(shù)據(jù)，也會引發(fā)問題，因?yàn)槟Ｐ筒荒芎芎玫馗爬ǖ剿峁?shù)據(jù)邊界之外的情況。例如，僅使用07：00—23：00的交通數(shù)據(jù)可能會降低模型在該時段外的性能，而僅使用工作日的數(shù)據(jù)可能會對模型預(yù)測周末交通的性能產(chǎn)生不利影響。因此，為綜合考慮季節(jié)變化和每日全時段不同的交通流量變化趨勢，在數(shù)據(jù)集中采用一整年全天全時段的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練。

為應(yīng)對高速公路交通中時間序列數(shù)據(jù)的長短期依賴性，模型采用LSTM網(wǎng)絡(luò)結(jié)構(gòu)。在這種結(jié)構(gòu)中，輸入層與時間序列相關(guān)聯(lián)，每個隱藏層的LSTM網(wǎng)絡(luò)單元的數(shù)量與時間序列的時間步長相關(guān)聯(lián)。為確定LSTM網(wǎng)絡(luò)層數(shù)和神經(jīng)元數(shù)量，構(gòu)建更優(yōu)的LSTM網(wǎng)絡(luò)結(jié)構(gòu)，分別將LSTM網(wǎng)絡(luò)層數(shù)設(shè)置為1層、2層和3層，分別將LSTM網(wǎng)絡(luò)中的神經(jīng)元數(shù)量設(shè)置為100個和200個，進(jìn)行一系列對比試驗(yàn)，選取更佳的網(wǎng)絡(luò)結(jié)構(gòu)。對比試驗(yàn)結(jié)果見表1。由表1可知：當(dāng)LSTM網(wǎng)絡(luò)層數(shù)增加至3 層時，模型出現(xiàn)過擬合現(xiàn)象，預(yù)測精度明顯變差；當(dāng)LSTM網(wǎng)絡(luò)層數(shù)相同時，隨著神經(jīng)元個數(shù)的增加，模型預(yù)測結(jié)果與實(shí)際值的偏差增大，這是由于本文輸入特征不多，神經(jīng)元數(shù)量和LSTM網(wǎng)絡(luò)層數(shù)不宜過多。經(jīng)過比較，2層LSTM網(wǎng)絡(luò)、100個神經(jīng)元的預(yù)測模型更契合本文的試驗(yàn)數(shù)據(jù)，預(yù)測精度最高，故選擇該模型進(jìn)行車速預(yù)測試驗(yàn)。因此，利用2個隱藏層形成一個堆疊的LSTM網(wǎng)絡(luò)(見圖4)，用于進(jìn)行異常點(diǎn)檢測。與只有1個隱藏層的LSTM網(wǎng)絡(luò)相比，堆疊的LSTM網(wǎng)絡(luò)能提高模型學(xué)習(xí)更復(fù)雜特征的性能。

表1 對比試驗(yàn)結(jié)果

圖4 堆疊的LSTM結(jié)構(gòu)

ST-GCN模型能處理復(fù)雜的空間依賴性和時間動態(tài)性問題。一方面，利用GCN對高速公路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行捕捉，得到高速公路網(wǎng)絡(luò)的空間相關(guān)性；另一方面，利用LSTM網(wǎng)絡(luò)捕捉道路交通信息的動態(tài)變化，得到高速公路網(wǎng)絡(luò)的時間依賴性。同時，利用注意力機(jī)制學(xué)習(xí)每一時刻交通信息的重要性，計算出能表達(dá)交通狀態(tài)全局變化趨勢的上下文向量，用于完成未來的交通流量預(yù)測任務(wù)。覆蓋全局交通變化信息的上下文向量Ct的計算公式為

(1)

式(1)中：hi為LSTM不同時刻的隱藏狀態(tài)；αi為特征向量。

因此，采用ST-GCN算法建模，獲取高速公路節(jié)假日期間的時間特征和空間特征，融合特征信息，預(yù)測未來一段時間內(nèi)的多目標(biāo)信息，模型構(gòu)建流程見圖5。根據(jù)歷史數(shù)據(jù)和預(yù)測情況，給出客觀準(zhǔn)確的節(jié)假日流量預(yù)測結(jié)果，在分析研判系統(tǒng)內(nèi)用于指導(dǎo)路網(wǎng)管控，并在節(jié)假日路段運(yùn)行分析系統(tǒng)內(nèi)進(jìn)行展示、對比和評估，為管理者提供相應(yīng)的管理建議，為出行者提供公路交通類流量預(yù)警。

圖5 ST-GCN算法模型構(gòu)建流程

3 模型預(yù)測目標(biāo)

3.1 預(yù)測指標(biāo)

在該模型中采用交通流量、平均速度和交通流密度等3個交通流參數(shù)作為對高速公路交通流量進(jìn)行預(yù)測的輸出指標(biāo)。

1)交通流量q是指在單位時間內(nèi)通過某路段的車輛總數(shù)，其計算公式為

(2)

式(2)中：N為T時段內(nèi)通過某路段的車輛數(shù)。

2)平均速度是指單位時間內(nèi)通過該路段所有車輛行駛的距離，其計算公式為

(3)

式(3)中：vj為j路段的車輛平均速度；si為第i輛車單位時間內(nèi)行駛的距離；t為設(shè)定的單位時間。

3)交通流密度D是指某路段單位時間內(nèi)通過單位距離的車輛數(shù)，其計算公式為

(4)

式(4)中:v為車輛速度。

3.2 模型目標(biāo)

評價因素集是由能用于判斷當(dāng)前或未來交通狀態(tài)的各種因素組成的集合。在設(shè)計融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測系統(tǒng)時，根據(jù)特定的場景和業(yè)務(wù)需求了解交通狀態(tài)劃分標(biāo)準(zhǔn)，從而建立起相應(yīng)的評價因素集。

建立評價因素集A，包含交通流量a1、交通流密度a2、平均車速a3和通行方向a4等，其表達(dá)式為

A={a1,a2,a3,a4}

(5)

建立評語集M，其是劃分評價因素等級的集合。根據(jù)真實(shí)場景中的交通狀況，將評價因素劃分為5個等級(包括自由流、基本暢通、輕度擁堵、中度擁堵和嚴(yán)重?fù)矶?，其表達(dá)式為

M={m1,m2,m3,m4,m5}={自由流,基本暢通,輕度擁堵,中度擁堵,嚴(yán)重?fù)矶聖

(6)

根據(jù)ST-GCN模型輸出的預(yù)測結(jié)果，結(jié)合評價集，對當(dāng)前節(jié)假日流量進(jìn)行等級劃分，并在高速公路路側(cè)情報板上展示(見圖6)，提供未來一段時間內(nèi)的高速公路節(jié)假日流量信息。

圖6 高速公路路側(cè)情報板展示

4 預(yù)測結(jié)果驗(yàn)證和模型魯棒性分析

4.1 預(yù)測結(jié)果驗(yàn)證

為驗(yàn)證融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測模型的有效性，對模型的預(yù)測結(jié)果進(jìn)行驗(yàn)證。選取寧夏高速公路路網(wǎng)中某路段2020年5月—2021年4月的流量數(shù)據(jù)進(jìn)行分析，先根據(jù)數(shù)據(jù)編號字段篩選相關(guān)數(shù)據(jù)并去除重復(fù)的數(shù)據(jù)行，再按時間順序?qū)x取的數(shù)據(jù)進(jìn)行排序，對缺失流量字段進(jìn)行插值處理，得到相對完整的試驗(yàn)組數(shù)據(jù)。由于原始數(shù)據(jù)以5 min為匯聚度，需以天為單位對數(shù)據(jù)進(jìn)行匯聚，得到每日的交通量。平均速度是評價道路通暢程度最直觀的指標(biāo)之一，不失一般性，將ST-GCN模型的平均速度預(yù)測結(jié)果與采用以下基線方法的模型預(yù)測結(jié)果相對比。

1)ARIMA模型。該模型為統(tǒng)計模型中最常見的一類模型，能實(shí)現(xiàn)對時間序列的預(yù)測，是在將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列過程中，僅對因變量的滯后值和隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值加以回歸建立的模型。

2)SVR模型[11]。SVR 是一種能用來處理非線性問題和大規(guī)模預(yù)測問題的算法，其通過采用歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練，得到輸入與輸出之間的關(guān)系，從而對未來的交通數(shù)據(jù)做出預(yù)測。

3)LSTM單元模型，詳見第2.1節(jié)。

4)GCN模型，詳見第2.1節(jié)。

5)擴(kuò)散卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(Diffusion Convolutional Recurrent Neural Network,DCRNN)[12]。

利用有向圖的雙向隨機(jī)游動捕獲空間依賴，通過編解碼結(jié)構(gòu)和定時采樣捕獲時間依賴。DCRNN 是一個融合了空間依賴性和時間依賴性的交通流預(yù)測深度學(xué)習(xí)框架。

采用ST-GCN模型與基于其他基線方法的預(yù)測模型對未來1 h內(nèi)高速公路交通數(shù)據(jù)中的速度指標(biāo)進(jìn)行預(yù)測,結(jié)果見表2。從表2中可看出：ARIMA模型只能處理線性數(shù)據(jù)，對非線性數(shù)據(jù)的預(yù)測效果很差；SVR模型能有效處理非線性數(shù)據(jù)，在高速公路數(shù)據(jù)集中，準(zhǔn)確度提高顯著；LSTM模型和GCN模型分別用于捕獲時間特性和空間特性，2個模型的誤差相對于ST-GCN模型來說較高，這證明了ST-GCN模型優(yōu)于具有單一捕獲特性的模型；ST-GCN模型和DCRNN模型同為捕獲時空特性的模型，但ST-GCN模型的預(yù)測精度更高，ST-GCN模型相比DCRNN模型ERMS下降約3.31%，準(zhǔn)確度提高約3.01%。通過試驗(yàn)發(fā)現(xiàn)，ST-GCN模型在所有評估指標(biāo)下都有最佳的預(yù)測性能，證明了該模型的有效性。

表2 不同預(yù)測模型的車輛速度預(yù)測結(jié)果對比

4.2 模型魯棒性分析

在實(shí)際收集數(shù)據(jù)過程中，不可避免地存在噪聲。為測試ST-GCN模型的抗噪性和魯棒性，開展擾動分析試驗(yàn)。在試驗(yàn)過程中，將2種常見的隨機(jī)噪聲添加到數(shù)據(jù)中。隨機(jī)噪聲服從高斯分布N∈(0,σ2)(σ∈(0.2,0.4,0.8,1.2))和泊松分布P(λ)(λ∈(1,2,4,8,16))。在研究過程中將噪聲矩陣的值歸一化為[0,1]。圖7為高斯擾動分析結(jié)果，顯示了在高速公路數(shù)據(jù)集中加入高斯噪聲的結(jié)果，其中σ為高斯噪聲分布變化。圖8為泊松擾動分析結(jié)果，顯示了在高速公路數(shù)據(jù)集中加入泊松噪聲的結(jié)果，其中λ為泊松噪聲分布變化。從圖7和圖8中可看出，各項(xiàng)評估指標(biāo)幾乎沒有發(fā)生變化，因此ST-GCN模型的魯棒性能通過“不同噪聲設(shè)置下的評估指標(biāo)變化很小，可忽略不計”這一表現(xiàn)得到驗(yàn)證。

圖7 高斯擾動分析結(jié)果

圖8 泊松擾動分析結(jié)果

5 結(jié) 語

基于寧夏高速公路節(jié)假日期間交通流預(yù)測業(yè)務(wù)的需求，依托多源數(shù)據(jù)和先進(jìn)的算法模型，構(gòu)建了一種融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測系統(tǒng)，實(shí)現(xiàn)數(shù)據(jù)和預(yù)測結(jié)果共享式調(diào)用展示。基于分布式數(shù)據(jù)庫和算法庫，充分利用節(jié)假日歷史交通數(shù)據(jù)，并考慮時間、事件、天氣和道路拓?fù)浣Y(jié)構(gòu)等影響因素，融合分析預(yù)測，提供有效、準(zhǔn)確的交通流預(yù)測信息。同時，通過在線學(xué)習(xí)，不斷利用最新的交通數(shù)據(jù)完善預(yù)測模型，使其預(yù)測結(jié)果更貼合實(shí)際交通態(tài)勢。該融合ST-GCN算法的高速公路節(jié)假日流量預(yù)測模型能為高速公路的管理和運(yùn)營提供數(shù)據(jù)支撐，為高速公路建設(shè)提供準(zhǔn)確、可靠的決策依據(jù)。