1、第4 3卷 第1期桂 林 电 子 科 技 大 学 学 报V o l.4 3,N o.1 2 0 2 3年2月J o u r n a l o f G u i l i n U n i v e r s i t y o f E l e c t r o n i c T e c h n o l o g yF e b.2 0 2 3收稿日期:2 0 2 2-0 3-0 5基金项目:国家自然科学基金(6 1 9 6 6 0 0 7);广西自然科学基金(2 0 2 0 G X N S F A A 1 5 9 1 0 5);广西无线宽带通信与信号处理重点实验室基金(G X K L 0 6 1 9 0 2 0 4,
2、G X K L 0 6 2 0 0 1 1 6,G X K L 0 6 1 9 0 1 1 7);认知无线电与信息处理教育部重点实验室基金(C R K L 1 8 0 2 0 1,C R K L 1 8 0 1 0 6)通信作者:林基明(1 9 7 0-),男,教授,博士,研究方向为无线通信、移动通信。E-m a i l:l i n j mg u e t.e d u.c n引文格式:甘萍,林基明,农丽萍,等.一种用于交通预测的自适应时空图神经网络J.桂林电子科技大学学报,2 0 2 3,4 3(1):7-1 3.一种用于交通预测的自适应时空图神经网络甘 萍1,林基明1,2,农丽萍2,3,王俊义
3、1(1.桂林电子科技大学 信息与通信学院,广西 桂林 5 4 1 0 0 4;2.西安电子科技大学 通信工程学院,西安 7 1 0 0 7 1;3.广西师范大学 物理科学与技术学院,广西 桂林 5 4 1 0 0 4)摘 要:针对以往复杂的神经网络构架在空间维度上所采用的预定义图结构未包含完整交通数据空间信息,且在时间维度上不能很好地捕获交通数据长期依赖关系的问题,提出一种新的时空图神经网络。通过自适应图卷积网络(A G C N)自动捕获节点的特定状态以及自动推断不同节点之间的相互依赖关系,提取更完整的交通数据空间特征,再通过时空长短期记忆网络(S T-L S TM)中的时间记忆模块来提取交通
4、数据的时间特征,捕获短中长期的时间依赖关系。在P e M S D 4和P e M S D 8数据集上进行了验证,实验结果表明,所提网络相比基线模型能够更好地提升交通预测性能。关键词:交通预测;自适应图卷积网络;时空相关性;时空图神经网络;长短期记忆网络中图分类号:T P 3 9 1 文献标志码:A 文章编号:1 6 7 3-8 0 8 X(2 0 2 3)0 1-0 0 0 7-0 7A n a d a p t i v e s p a t i o-t e m p o r a l g r a p h n e u r a l n e t w o r k f o r t r a f f i c p
5、r e d i c t i o n G A N P i n g1,L I N J i m i n g1,2,N O N G L i p i n g2,3,WA N G J u n y i1(1.S c h o o l o f I n f o r m a t i o n a n d C o mm u n i c a t i o n,G u i l i n U n i v e r s i t y o f E l e c t r o n i c T e c h n o l o g y,G u i l i n 5 4 1 0 0 4,C h i n a;2.S c h o o l o f T e l
6、e c o mm u n i c a t i o n E n g i n e e r i n g,X i d i a n U n i v e r s i t y,X i a n 7 1 0 0 7 1,C h i n a;3.C o l l e g e o f P h y s i c s a n d T e c h n o l o g y,G u a n g x i N o r m a l U n i v e r s i t y,G u i l i n 5 4 1 0 0 4,C h i n a)A b s t r a c t:F o r t h e p r o b l e m t h a t
7、 t h e n e u r a l n e t w o r k c a n t c a p t u r e t h e l o n g-t e r m t r a f f i c i n f o r m a t i o n i n t h e s p a t i a l d i m e n s i o n,t h e n e w n e u r a l n e t w o r k s t r u c t u r e p r o p o s e d i n t h e p a s t c a n t c a p t u r e t h e c o m p l e x t r a f f i c
8、 d a t a i n t h e s p a t i a l d i m e n s i o n.T h r o u g h a d a p t i v e g r a p h c o n v o l u t i o n a l n e t w o r k,t h e s p e c i f i c s t a t e o f n o d e s i s a u t o m a t i c a l l y c a p t u r e d a n d t h e i n t e r d e p e n d e n c e b e t w e e n d i f f e r e n t n o
9、 d e s i s a u t o m a t i c a l l y i n f e r r e d t o e x t r a c t t h e c o m p l e t e s p a t i a l f e a t u r e s o f t r a f f i c d a t a.T h e n,t h e t i m e c h a r-a c t e r i s t i c s o f t r a f f i c d a t a a r e c a p t u r e d b y t h e t i m e m e m o r y m o d u l e i n t h e
10、 s p a t i o-t e m p o r a l s h o r t-t e r m m e m o r y n e t w o r k,a n d t h e s h o r t,m e d i u m a n d l o n g-t e r m t i m e d e p e n d e n c e i s s i m u l a t e d.K e y w o r d s:t r a f f i c f o r e c a s t;a d a p t i v e g r a p h c o n v o l u t i o n n e t w o r k;s p a t i o-t
11、 e m p o r a l c o r r e l a t i o n;s p a t i o-t e m p o r a l g r a p h n e u r a l n e t w o r k;l o n g-s h o r t t e r m m e m o r y n e t w o r k 城市化发展对城市交通的流通性和可持续性带来了巨大挑战,有效解决交通问题的智能交通系统(I T S)1是目前被广泛关注的研究领域。交通预测作为智能交通系统的一个重要组成部分,不仅为城市交通规划提供科学依据,还在城市交通调度和交通管理中起着至关重要的作用,提高了智能交通系统的决策效率2。交通预测任
12、务的实现同时也离不开数据处理、计算机算法、网络优化等技术的支撑。因此,探索高效、实用的交通预测方法不仅能促进多学科之间的交叉应用和发展,而且也成了相关研究领域的热门研究对象,在实际应用中具有非常重要的现实意义。交通预测是时空预测中的一个典型研究问题,其中交通数据存在着复杂的时空相关性,这使得交通预DOI:10.16725/45-1351/tn.2023.01.010桂林电子科技大学学报2 0 2 3年2月测任务非常具有挑战性,例如,预测交叉路口未来某时刻的交通状况(交通流量、交通速度和道路占用率等)。通常根据预测时间的长短,交通预测任务可分为短期预测(53 0 m i n)和中长期预测(3 0
13、6 0 m i n)3。在时间维度上,一条道路此刻的交通状况可能在不久的将来影响该条道路或者其他道路的交通状况。在空间维度上,不同道路之间的交通状况可能会相互影响。因此,研究人员对捕获交通数据时空相关性方面进行了广泛研究。传统方法通过部署时间序列模型进行交通预测,如向量自回归模型(V A R)4、自回归集成移动平均模型(A R I MA)5、卡尔曼滤波6等。然而,这些方法依赖于理想的平稳假设,无法捕捉真实交通动态中大规模交通数据之间的非线性或者复杂的时空相关性。近年来,研究人员转向于研究基于深度学习的方法,通过设计新的神经网络构架来捕捉交通数据的时空相关性,以弥补传统方法的不足,如用于捕获时间
14、依赖性的循环神经网络(R N N)7及其变体(长短期记忆网络(L S TM)和门控循环单元(G R U)8)或一维卷积神经网络,与用于捕获空间依赖性的卷积神经网络(C N N)9相结合来共同捕获交通数据的时空相关性。但这些方式通常适用于欧几里德数据1 0,如图像、网格等,在具有非欧几里德结构的交通网络上仍存在局限性。于是,为了克服上述局限,捕获网络结构特征的图卷积网络(G C N)1 1得到了迅速发展。在图卷积网络中,交通网络被建模成图结构,图中的节点表示交通传感器,边表示传感器之间的连通性,边权值表示传感器之间的欧氏距离。D C R N N1 2、S T G C N1 3、A S T G C
15、 N1 4、T-G C N1 5等模型通过图神经网络来捕获交通数据的空间依赖性,并通过循环神经网络或卷积神经网络来捕获时间依赖性。这些方法在一定程度上提高了交通预测的精度,但却存在以下问题:1)这些方法采用预定义的图结构1 6,而预定义的图结构未包含完整的空间依赖信息,例如由于交通数据在采集过程中的连接不完整,使部分节点缺少真正的关联;2)网络模型参数空间共享,而不同道路的交通状况不同,共享参数空间使得模型无法很好地捕捉细粒度的特定交通状况(如某段道路封闭或者发生事故);3)短期预测与长期预测的性能相差较大,不能很好地进行长期预测。A G C R N1 7通过自适应图卷积网络(A G C N)
16、与G R U相结合的方式来解决空间维度上使用预定义图结构以及共享参数空间所带来的问题,但其在时间维度上并不能很好地处理长序列,即在长期预测方面稍有欠缺。针对上述问题,设计了一种用于交通预测的自适应时空图神经网络,主要工作概括为利用包含自适应邻接矩阵和自适应节点参数的空间卷积模块提取空间特征。自适应邻接矩阵自动学习节点间的相互依赖关系,捕捉数据中隐藏的空间关系,自适应节点参数根据节点嵌入从所有节点共享的权重和偏差中生成,以捕获特定节点模式;采用时空长短期记忆网络(S T-L S TM)中时间记忆模块来捕获时间特征,增强长序列处理能力;在2个公开的P e M S D 4、P e M S D 8交通流量数据集上,与多个基线模型进行对比验证,实验结果表明,本模型能够更好地捕获交通数据时空相关性。1 网络模型1.1 交通预测问题在交通流预测任务中,通过历史流量数据对未来某时段内的交通流量进行多步预测。交通流量指固定时段内道路某位置通过的车辆数,作为交通数据特征之一,是控制车流和道路规划的重要指标。历史交通数据可表示为交通网络上的时间序列。交通网络可用图的形式表示:G=(V,E,A),V为图中的节