打开文本图片集

摘要：交通流预测是智能交通系统动态控制和应用的基础，对减少道路拥堵具有重要的现实意义。交通流复杂的时空联系仍然是实现交通流准确预测的重要障碍。为了同时捕捉交通流的动态时空特征，本文提出了一种新的用于交通流预测的时空概率稀疏自适应混合图卷积网络（STPASHG），该网络主要由门控时间卷积网络（gated TCN）、自适应混合图卷积模块（AHGCM）、时空卷积块（ST-Conv block）和概率稀疏自注意机制（ProbSSAtt block）组成。其中，门控TCN利用不同粒度级别的扩张因果卷积网络捕获交通流的时间依赖性，AHGCM利用静态自适应图学习（SAGL）、动态图学习（DGL）和空间门融合机制同步并充分捕获动态时空特征。ST-Conv块既可以记录同一时间步长附近地点交通流的动态空间相关性，也可以记录同一地点交通流复杂的时间依赖性。ProbSSAtt区块结合了动态时空特征，促进了STPASHG模式有效地进行中长期预测。实验结果表明，本文提出的STPASHG模型能够较好地提取交通流的动态时空特征，与常用的基线方法相比具有较好的预测性能。

关键词：交通流预测，自注意机制，动态时空特征，图注意机制，图卷积网络

1. 介绍

随着城市化进程的加快和交通道路的复杂化，智能交通系统面临的压力越来越大。准确预测交通流向是智能交通系统的关键实现因素，是交通控制的重要依据，不仅可以缓解交通拥堵，方便人们出行，还可以减少交通事故，提高交通效率，降低能源消耗。交通状况不仅在空间上是动态的，而且在时间维度上具有复杂的不确定性，并受到多种外部因素的影响，因此对交通流量的准确预测是一个很大的挑战。交通流是典型的持续时间序列数据，可以直观地描绘交通路线的实际状况。克服这些的关键如何同时有效地捕捉交通流的动态时空特征是当前的挑战。

当前交通流量预测技术的主要类型包括统计、机器学习和深度学习技术。统计方法通常利用统计分析原理捕捉交通流的时间依赖性，而忽略了动态空间特征。因此，预测性能通常很差。统计模型通常有历史平均（HA）[1]、自回归移动平均（ARMA）[2]和向量自回归（VAR）[3]。由于统计预测方法难以处理非线性交通流信息，无法提取交通流的动态空间特征，深度学习预测方法成为交通流预测的可行替代方法。为了在分类过程中包含流之间的数据相关信息，Mathew等人[4]采用了k近邻优化分类器和正弦k近邻优化分类器。Huang等[5]以提高交通流预测的准确性为目标，提出了一种由回归模型和深度置信网络组成的网络设计。然而，上述机器学习方法在预测交通流的过程中，仍然没有考虑到交通流的动态空间特性。

道路网络结构对交通状况影响显著，车辆沿道路行驶时相邻节点的交通状况呈现相似状态。在交通流预测过程中考虑空间特征，不仅可以实现对交通流时空特征的充分提取，而且可以提高交通流的长期预测精度。本文提出了一种用于交通预测的时空概率稀疏自适应混合图卷积网络（STPASHG）。STPASHG首先利用不同粒度的扩展因果卷积网络通过门控TCN捕获交通流的时间依赖性，然后分别利用AHGCM中的SAGL和DGL自适应捕获交通流的动态时空特征和隐藏空间相关性。最后，通过时空卷积块（ST-Conv块）捕获同一位置的复杂时间依赖性和相邻位置同一时间步长的动态空间相关性，并利用概率稀疏自注意机制（ProbSSAtt块）将动态时空特征结合起来，降低模型时间复杂度，提高STPASHG模型中长期预测精度。STPASHG模型可以有效地学习长时间序列的时间相关性和高维空间相关性，从而充分挖掘交通流的动态时空特征，准确预测交通流。

2.本文的主要贡献总结如下：

（1）提出了一种新的交通流预测模型STPASHG，该模型继承了门控时间卷积、静态自适应图卷积以及包含多头注意机制和概率稀疏自注意机制的动态图卷积和时空卷积的优点，不仅更全面地利用了交通流的动态时空特征，提高了预测精度;同时通过并行计算降低了模型的时间复杂度。

（2）门控卷积网络（Gated Convolutional Network， TCN）采用不同粒度的扩展因果卷积网络来捕获流量的时间依赖性。构建自适应混合图卷积模块（AHGCM），通过并行计算自适应捕获交通的动态空间特征，同时降低时间复杂度。

（3）时空卷积网络的设计与概率稀疏自注意机制的引入。建立时空卷积网络，充分探索隐藏的空间特征和复杂的时间依赖关系。概率稀疏自注意机制再次结合动态时空特征，同时调整注意系数，提高模型的预测精度。

（4）本文分别在两组交通数据集上进行了大量的对比实验，结果表明本文模型都比现有的基线方法具有最好的预测性能。

3. 方法

3.1. 问题定义

在本文中，图是运输网络拓扑结构的描述。式中为道路节点的有限集;包含路网中有限数量的边，表示路网节点之间的连通性。表示图的邻接矩阵，如果和为1，否则为0。在每个时间步长内，图具有一个动态特征矩阵。此外，为了一致性，本文将图信号与节点特征矩阵互换使用。基于上述关系，交通流预测问题的本质是如何通过对给定图及其在该步长的历史图信号的学习，得到能够预测下一时间步的交通流的函数。映射关系表示如下：

3.2 STPASHG框架

图1描述了STPASHG模型的总体框架，包括输入层、堆叠的STPASHG模块、时空卷积网络（ST-Conv）、概率稀疏自注意机制（ProbSSAtt块）和输出层。STPASHG模块主要包含门控时序卷积（Gated Temporal Convolution，简称门控TCN）和自适应混合图卷积模块（Adaptive Hybrid Graph Convolution，简称AHGCM），各STPASHG层残差相连。门控TCN利用不同粒度级别的扩展因果卷积网络来捕获交通流的时间依赖性。

AHGCM由静态自适应图学习（SAGL）、动态图学习（DGL）和空间门融合机制组成，同步并充分捕捉交通流历史数据中的动态时空特征。其中，SAGL能够自适应捕捉流量的动态空间特征，DGL包含一种图注意机制，能够捕捉潜在的空间相关性，同时通过并行计算降低时间复杂度。ST-Conv块捕获交通流拓扑网络结构中各种节点特征对单个节点特征的影响，并进一步提取T-GCN块提供的隐藏时空依赖关系。ProbSSAtt块有效捕获查询稀疏度度量，同时结合动态时空特征，通过利用少量关键点产品提供主要关注，提高STPASHG模型的中长期预测性能，实现模型时间复杂度的降低。同时，通过多层STPASHG叠加处理不同时间段的动态空间联系，使STPASHG模型能够充分捕捉交通流的动态时空相关性。

3.2.1 封闭的TCN。STPASHG中的门控TCN包含两个并行的时间卷积模块（TCN-a和TCN-b），每个时空图卷积层是残差连接的。门控TCN通过在不同粒度级别上扩展因果卷积网络来捕获交通流的时间依赖性。本文使用时间卷积层（TCN）中的扩展因果卷积网络来捕获节点的时间依赖性。扩展因果卷积网络通过叠加卷积层来获得大的感觉场。此外，扩展因果卷积将输入滑动到特定步长，并使用非递归并行计算方法处理长时间序列，以提高学习速度，以缓解梯度消失问题。

在本文中，我们使用核大小为2的展开因果卷积，展开因子为。每一步选择输入，并对选择的输入使用标准的1D卷积。考虑一维输入序列和滤波器，与at步长展开的因果卷积运算如式2所示：

是控制跳跃步长的扩展因子。通过带扩展参数的扩展因果卷积层的顺序排列，时间卷积网络层的感觉场呈指数级增长。因此，STPASHG的膨胀因果卷积网络能够通过更少的层捕获更长的序列，从而减少了使用的计算资源并提高了长期预测的准确性。

在递归神经网络中，门控机制可以有效地控制时间卷积网络各层间的信息流动。最简单的门控时间卷积机制只包含一个输出门，如图2所示。

4. 实验

4.1 数据集

本文在公共交通数据集metro - la和PEMS-BAY上验证了STAHGCN模型的预测性能。metro - la由洛杉矶县高速公路上的207个传感器在四个月内记录的交通速度计数数据组成。PEMS-BAY包括从旧金山湾区交通道路上的325个传感器收集的交通速度信息，为期6个月。met - la和PEMS-BAY都记录了检测的位置和日期，以及记录的数据类型。在实验中，数据集按时间顺序分成训练集、测试集和验证集，比例为7：2：1，用于预测15，30和60分钟的交通流速度。实验数据集详细情况如表1所示：

由于met - la数据集存在缺失值，因此在实验中采用线性插值方法填充缺失值。在将数据输入预测模型之前，对数据进行最小-最大归一化，将数据限制在[0，1]范围内。归一化公式为：

式中表示第-个原始数据，分别表示原始数据的最小值和最大值，表示经过归一化处理的输入数据。

4.2.参数设置

在本文中，我们使用一个8层的STAHGCN网络，其扩展因子序列为1，2，1，2，1，2，1，2。同时，图卷积网络层使用（6）和扩散步长，模型使用Adam优化器进行训练，初始学习率为，辍学率为。此外，为了改进实验结果的分析并评估模型的预测性能，我们使用平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估实际交通流速度与预测结果之间的误差。

参考文献

[1]刘军，关伟。2004交通流预测方法综述[J] .公路交通。《发展》21（3）页82-85

[2]张建军，张建军，张建军，等。2008基于交通流量的城市交通流模型研究[j] .城市交通学报。工程129（6）pp 664-672

[3]王志强，王志强，王志强，等。多变量时间序列的向量自回归模型。美国纽约：斯普林格出版社，2003

[4]王晓明，王晓明。基于Hadoop的网络交通流量预测方法。Proc.IEEE Int。电源控制信号仪表Eng。（ICPCSI）。2017;1123 - 1129

[5]黄伟，宋刚，洪辉，谢凯。基于多任务学习的深度信念网络交通流预测。IEEE反式。智能。透明。系统。2014;15 （5）： 2191 - 2201