貴向泉,熊家昌,李 立,郭莎莎

(1.蘭州理工大學(xué) 計(jì)算機(jī)與通信學(xué)院,甘肅 蘭州 730050;2.中國石油天然氣股份有限公司長慶油田分公司 數(shù)字化與信息中心,陜西 西安 710000)

0 引 言

隨著城市化水平不斷提升,大量人口涌向城市,城市中的出行車輛增多,導(dǎo)致城市居民所面臨的交通擁堵問題日益突出。通過交通流預(yù)測,實(shí)現(xiàn)對未來交通狀況的預(yù)測評估,進(jìn)而完成車輛調(diào)度分流、擁堵風(fēng)險(xiǎn)評估等工作,這對于緩解城市交通壓力具有重要作用。

文中研究的交通流特指交通流量,是在特定時間段內(nèi)通過道路上某一斷面的車流數(shù)。交通流量是量化交通通行能力的一種有效指標(biāo),準(zhǔn)確的交通流預(yù)測信息可以為交通管理者提供有力的交通決策依據(jù)。目前交通流預(yù)測方法主要有兩類:模型驅(qū)動方法和數(shù)據(jù)驅(qū)動方法。模型驅(qū)動方法根據(jù)數(shù)學(xué)理論假設(shè)預(yù)先確定模型,并用少量數(shù)據(jù)去擬合模型來實(shí)現(xiàn)交通流預(yù)測。這種方法存在模型結(jié)構(gòu)單一、假設(shè)情況與現(xiàn)實(shí)情況較大差距等問題,導(dǎo)致預(yù)測模型在實(shí)際應(yīng)用中預(yù)測效果不好。常用的預(yù)測模型有卡爾曼濾波模型[1]、自回歸整合移動平均模型(ARIMA)[2]等。與模型驅(qū)動方法不同,數(shù)據(jù)驅(qū)動方法可以很好地克服交通流數(shù)據(jù)的不確定性。數(shù)據(jù)驅(qū)動方法分為傳統(tǒng)機(jī)器學(xué)習(xí)方法和基于深度學(xué)習(xí)的方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法中被應(yīng)用于交通流預(yù)測的模型有支持向量機(jī)回歸(SVR)[3]、貝葉斯模型[4]、K最近鄰(KNN)[5]等。盡管傳統(tǒng)機(jī)器學(xué)習(xí)方法與模型驅(qū)動方法相比可以從交通流數(shù)據(jù)中學(xué)習(xí)統(tǒng)計(jì)規(guī)律,但其處理高維的交通流數(shù)據(jù)能力有限。

隨著深度學(xué)習(xí)方法的興起,具有高維數(shù)據(jù)處理和非線性數(shù)據(jù)特征挖掘能力的深度神經(jīng)網(wǎng)絡(luò)模型受到越來越多的青睞。Wang等人[6]提出一種長短記憶網(wǎng)絡(luò)(LSTM)編碼器-解碼器結(jié)構(gòu)的交通流預(yù)測模型,該模型能夠準(zhǔn)確地學(xué)習(xí)局部特征和長期依賴關(guān)系。Chen等人[7]構(gòu)建了一種卷積LSTM模型來估計(jì)短期交通流,該模型能同時挖掘交通流數(shù)據(jù)中的時空特征。袁華等人[8]在卷積神經(jīng)網(wǎng)絡(luò)(CNN)的基礎(chǔ)上提出擴(kuò)張-因果卷積神經(jīng)網(wǎng)絡(luò),分別用擴(kuò)張卷積和因果卷積來增加感受野的大小和解決信息泄露問題。桂智明等人[9]利用卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元(GRU)來提取交通流的時空特征,同時利用交通流的周相似性提取周期特征。鳳少偉等人[10]提出一種K-means與GRU神經(jīng)網(wǎng)絡(luò)結(jié)合的交通流預(yù)測方法,該方法能夠很好地挖掘交通流時間序列的關(guān)聯(lián)性。傳統(tǒng)的CNN、LSTM、GRU等模型能夠很好地處理不平穩(wěn)非線性序列問題,但其大多只能提取到交通流數(shù)據(jù)的局部信息,且無法應(yīng)用于標(biāo)準(zhǔn)的網(wǎng)格數(shù)據(jù)中,而利用圖卷積可以將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖結(jié)構(gòu)的數(shù)據(jù)中。Lv等人[11]提出了一種時間多圖卷積網(wǎng)絡(luò),用于聯(lián)合建模道路網(wǎng)絡(luò)中與各種全局特征的空間、時間、語義相關(guān)性。谷振宇等人[12]提出了一種基于時空圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型,采用圖卷積神經(jīng)網(wǎng)絡(luò)捕獲交通流數(shù)據(jù)中的空間依賴關(guān)系,采用門控循環(huán)神經(jīng)網(wǎng)絡(luò)捕獲交通流數(shù)據(jù)中的時空依賴關(guān)系。然而交通流數(shù)據(jù)在時空維度上不僅具有依賴性,也存在著較強(qiáng)的相關(guān)性,且相關(guān)性是動態(tài)變化的。為了對交通流數(shù)據(jù)中的動態(tài)相關(guān)性進(jìn)行建模,Guo等人[13]提出了一種新的基于注意力機(jī)制的圖卷積門控循環(huán)神經(jīng)網(wǎng)絡(luò)模型(ASTGCN),該模型使用利用圖卷積網(wǎng)絡(luò)捕獲用于建?？臻g依賴的拓?fù)涮卣?同時利用注意力機(jī)制根據(jù)速度數(shù)據(jù)的重要程度為特征分配權(quán)重,進(jìn)一步提高了模型的預(yù)測精度。Song等人[14]提出了一種時空同步圖卷積網(wǎng)絡(luò)模型(STSGCN),該模型通過精心設(shè)計(jì)的時空同步建模機(jī)制,能夠有效地解決復(fù)雜的局部時空相關(guān)性以及局部時空圖中的異質(zhì)性問題。

車輛在道路網(wǎng)絡(luò)系統(tǒng)上聚集成為交通流,交通流的產(chǎn)生、擴(kuò)展以及狀況演變過程與路網(wǎng)表征結(jié)構(gòu)密切相關(guān),因此路網(wǎng)表征結(jié)構(gòu)的關(guān)系權(quán)重確定是影響道路交通流預(yù)測精度的主要因素。目前在路網(wǎng)表征結(jié)構(gòu)的關(guān)系權(quán)重設(shè)計(jì)研究工作方面,一般采用單純的邏輯關(guān)聯(lián)(0或1)或以距離為運(yùn)算準(zhǔn)則的高斯核來表示,相連關(guān)系則表示為無向連接的,這種權(quán)重和連通關(guān)系的設(shè)計(jì)存在對路網(wǎng)的空間結(jié)構(gòu)刻畫能力不足的問題。同時,交通系統(tǒng)具有時空強(qiáng)耦合的特性,不同地點(diǎn)的交通狀況相互影響,不同時間切片內(nèi)的交通狀況之間存在時間相關(guān)性,現(xiàn)有的交通流預(yù)測方法大多缺乏對交通流數(shù)據(jù)中的動態(tài)時空相關(guān)性進(jìn)行建模的能力。并且現(xiàn)有研究在交通流數(shù)據(jù)中時間依賴性的挖掘上往往采用的是單一結(jié)構(gòu)的模塊,這存在對交通流數(shù)據(jù)中的時間特性挖掘不充分的問題。

針對上述問題,該文的研究工作情況如下:

(1)構(gòu)建一種權(quán)重鄰接矩陣,用節(jié)點(diǎn)的有向帶權(quán)連通關(guān)系來刻畫路網(wǎng)結(jié)構(gòu)的有向性,通過定義節(jié)點(diǎn)相對鄰近度來確定路網(wǎng)表征結(jié)構(gòu)的關(guān)系權(quán)重,解決了對路網(wǎng)空間結(jié)構(gòu)刻畫不足的問題。

(2)在時空維度上引入注意力機(jī)制,自適應(yīng)地賦予數(shù)據(jù)不同的重要性和捕獲節(jié)點(diǎn)之間的動態(tài)相關(guān)性,解決了交通流數(shù)據(jù)中動態(tài)時空相關(guān)性難以進(jìn)行建模的問題。

(3)采用卷積神經(jīng)網(wǎng)絡(luò)和雙向門控循環(huán)神經(jīng)單元的組合模塊對已經(jīng)提取過空間特征的交通流數(shù)據(jù)進(jìn)行時間特征的捕捉,解決了對交通流數(shù)據(jù)中時間特性挖掘不充分的問題。

1 ASTG-CRNN模型

1.1 交通路網(wǎng)時空圖構(gòu)建

文中t時刻有向空間圖Gt表述如式(1)所示。

(1)

其中,V是圖Gt中檢測節(jié)點(diǎn)(即為路網(wǎng)結(jié)構(gòu)中的傳感器)vi的集合,E表示圖Gt中有向邊的集合,(vi,vj)表示從節(jié)點(diǎn)vi到節(jié)點(diǎn)vj的交通流向,且(vi,vj)≠(vj,vi);A為權(quán)重連接矩陣,Aij表示節(jié)點(diǎn)vi與節(jié)點(diǎn)vj間的相對鄰近度,如式(2)～式(4)所示。

(2)

(3)

(4)

其中,k(i)表示當(dāng)dist(vi,vj)≤γ時,節(jié)點(diǎn)vi的k個鄰域節(jié)點(diǎn)的集合,dist(vi,vj)為節(jié)點(diǎn)vi到vj的歐氏距離,γ為設(shè)置的閾值,當(dāng)兩個節(jié)點(diǎn)的距離超出閾值γ的大小,則代表兩節(jié)點(diǎn)的權(quán)重系數(shù)為0,無依賴性。通過式(2)和式(3)可知,兩節(jié)點(diǎn)的相對鄰近度與如下因素有關(guān):(1)兩節(jié)點(diǎn)的歐氏距離;(2)整個路網(wǎng)圖中的檢測節(jié)點(diǎn)集合;(3)兩節(jié)點(diǎn)的局部鄰域節(jié)點(diǎn)。

1.2 模型設(shè)計(jì)

針對交通流的特點(diǎn),提出一種基于注意力機(jī)制和時空圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型(ASTG-CRNN),將交通路網(wǎng)中的部分路段作為檢測路段來進(jìn)行交通流預(yù)測。圖1給出了ASTG-CRNN模型的總體框架。根據(jù)人們的日常生活規(guī)律,交通流數(shù)據(jù)會存在一定的周期性和規(guī)律性變化。因此,模型采用三個具有相同結(jié)構(gòu)的獨(dú)立組件,分別對歷史交通流數(shù)據(jù)中的最近周期依賴關(guān)系、日周期依賴關(guān)系和周周期依賴關(guān)系進(jìn)行建模,以便獲取到交通流數(shù)據(jù)中更深度的周期性信息。

假設(shè)采樣頻率每天為q次,當(dāng)前為t0時刻且預(yù)測序列段的長度為Tp。如圖2所示,沿時間軸截取三個長度為Th、Td和Tw的時間序列片段,分別作為最近周期、日周期、周周期組件的輸入,其中Th、Td和Tw均為Tp的整數(shù)倍,三個時間序列片段的具體情況如式(5)～式(7)所示:

圖2 三個時間序列片段的構(gòu)建示例

(1)最近周期時間序列片段,如圖2中①所示,此序列段與要預(yù)測的時間序列段在時間維度上直接相鄰。由于在現(xiàn)實(shí)生活中,交通擁堵的形成和分散是漸進(jìn)的,因此與之直接相鄰的歷史時間序列會對其有較大影響。

Xh=(Xt0-Th+1,Xt0-Th+2,…,Xt0)

(5)

(2)日周期時間序列片段,如圖2中②所示,此序列段由相鄰幾天中與要預(yù)測的序列段時間相同的序列段組成。由于人們在工作日的活動情況幾乎是沒有太大變化的,比如公司和家庭兩點(diǎn)一線,存在固定的生活模式,因此交通流數(shù)據(jù)可能會呈現(xiàn)出重復(fù)的日周期模式。日周期組件的目的就是用來在時間維度上建模交通流數(shù)據(jù)中的日周期依賴性。

(3)周周期時間序列片段,如圖2中③所示,此序列段是由相鄰幾周中與要預(yù)測的序列段時間相同的序列段組成。通常來說,當(dāng)前周的工作日的交通流狀況與歷史周的工作日流量狀況存在相似性,但是與歷史周的周末的交通流狀況存在不同。周周期組件是用來在時間維度上捕獲交通流數(shù)據(jù)中的周周期性時間變化趨勢。

Xt0-7*q+1,…,Xt0-7*q+Tp)

(7)

這三個組件具有相同的網(wǎng)絡(luò)結(jié)構(gòu),每個組件由若干個時空模塊組成。每個時空模塊包含時空注意力模塊、圖卷積模塊、卷積神經(jīng)網(wǎng)絡(luò)與雙向門控循環(huán)神經(jīng)單元的組合模塊以及全連接層模塊。最后,根據(jù)權(quán)重矩陣對三個分量進(jìn)行融合,得到最終的預(yù)測結(jié)果。

1.3 時空注意力模塊

(1)時間注意力模塊。在時間維度上,不同時間切片上的交通狀況之間存在相互關(guān)系,且相互關(guān)系在不同情況下也存在差異。使用一種注意力機(jī)制來自適應(yīng)地賦予數(shù)據(jù)不同的重要性。以最近周期組件中的在第r層上時間注意力模塊為例,如式(8)～式(9)所示:

(8)

(9)

(10)

(2)空間注意力模塊。在空間維度上,不同區(qū)域內(nèi)的交通狀況存在一種相互的影響,且這種影響實(shí)際上還存在相當(dāng)高度的動態(tài)性。用注意力機(jī)制來自適應(yīng)地捕獲在空間維度上節(jié)點(diǎn)之間的動態(tài)相關(guān)性。同樣地,以最近周期組件第r層上的空間注意力模塊為例,如式(11)～式(12)所示:

(11)

(12)

其中,Vs、bs、W1、W2、W3都為權(quán)重矩陣,σ被用作激活函數(shù)。Sij的值在語義上表示的是節(jié)點(diǎn)vi和節(jié)點(diǎn)vj之間的相關(guān)強(qiáng)度,Sj表示第j列中的所有元素。同樣地,還需要對S進(jìn)行歸一化操作得到矩陣S'。

1.4 圖卷積模塊

在譜圖分析中,一個圖用它對應(yīng)的拉普拉斯矩陣表示。圖結(jié)構(gòu)的性質(zhì)可以從對應(yīng)的拉普拉斯矩陣中分析獲得。圖的拉普拉斯矩陣可以定義為L=D-A,A為帶權(quán)重的鄰接矩陣,D為包含節(jié)點(diǎn)度的對角矩陣,拉普拉斯矩陣的特征分解如式(13)～式(14)所示:

L=UΛUT

(13)

Λ=diag([λ0,λ1,…,λN-1])

(14)

然而,當(dāng)圖的尺度變大時,對拉普拉斯矩陣進(jìn)行特征值分解所付出的代價也隨之變高。該文采用切比雪夫多項(xiàng)式來解決該問題,如式(15)～式(16)所示:

(15)

(16)

其中,參數(shù)θ為多項(xiàng)式系數(shù)的向量,λmax為拉普拉斯矩陣的最大特征值,⊙為哈達(dá)瑪積。切比雪夫多項(xiàng)式的遞歸定義如式(17)所示:

Tk(x)=2xTk-1(x)-Tk-2(x)

(17)

且T0(x)=1,T1(x)=x,通過卷積核gθ提取圖中每個節(jié)點(diǎn)周圍0到K-1階鄰域的信息。

1.5 CNN-BiGRU組合模塊

該文使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)與雙向門控循環(huán)神經(jīng)單元(BiGRU)的組合模塊對已經(jīng)提取空間依賴關(guān)系的交通流數(shù)據(jù)再進(jìn)行時間依賴關(guān)系的提取。通過合并相鄰時間片上的信息來進(jìn)一步堆疊時間維度上的卷積層,同樣地,以最近周期時間組件在第r層的卷積操作為例,如式(18)所示:

(18)

使用ReLU作為組合模塊中的激活函數(shù),相較于SELU(縮放指數(shù)線性單元)具有更好的收斂性并且可以有效地避免梯度消失的問題。在進(jìn)行完卷積操作后,還需要將結(jié)果輸入到BiGRU中,用來增強(qiáng)對交通流數(shù)據(jù)中的時間依賴關(guān)系的提取。如圖3所示,為了防止過擬合和提高運(yùn)行效率,在卷積層之后添加了池化層。

BiGRU是由向前和向后兩個單向的GRU層堆疊而成,其中前向GRU是對輸入從開始到結(jié)束的前向交通流序列進(jìn)行預(yù)測,后向GRU是對輸入從結(jié)束到開始的反向交通流序列進(jìn)行預(yù)測。由于綜合考慮了前后時刻交通流對當(dāng)前時刻交通流的影響,模型的精度得到了提升。以最近周期時間組件在第r層上BiGRU的輸出為例,如式(19)所示:

(19)

(20)

最后還要將處理后的數(shù)據(jù)輸入到全連接層模塊,以確保當(dāng)前時間組件下每個時空模塊的輸出具有相同的尺寸和形狀。將多個時空模塊進(jìn)行疊加,可以進(jìn)一步提取到更大范圍的動態(tài)時空相關(guān)性。

1.6 多組件融合

當(dāng)融合不同組件的輸出時,三個組件的影響權(quán)重是不同的,并且影響權(quán)重可以從歷史的交通流數(shù)據(jù)中學(xué)習(xí)到。融合后的最終預(yù)測結(jié)果如式(21)所示:

(21)

其中,Wh、Wd、Ww為權(quán)重矩陣,分別反映了三個時間維度組件對預(yù)測目標(biāo)的影響程度。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 數(shù)據(jù)集描述

為了驗(yàn)證模型的有效性,選取美國公路的兩個公開交通流數(shù)據(jù)集PeMS04和PeMS08進(jìn)行實(shí)驗(yàn)驗(yàn)證。這些數(shù)據(jù)集是由Caltrans Performance Measurement System(PeMS)每30秒實(shí)時收集一次,并且交通流數(shù)據(jù)每隔5分鐘匯總一次。PeMS04包含16 992條交通流數(shù)據(jù)以及采集這些信息的307個檢測節(jié)點(diǎn)的地理位置信息;PeMS08包含17 856條交通流數(shù)據(jù)以及采集這些信息的170個檢測節(jié)點(diǎn)的地理位置信息。

2.2 對比基線模型

為了對比分析預(yù)測模型的預(yù)測效果,選擇在交通流預(yù)測中比較有代表性的預(yù)測模型,包括LSTM[15]、GRU[16]、ConvLSTM[17]、ASTGCN[13]以及STSGCN[14]作為對比基線模型。這些基線模型是參考對應(yīng)文獻(xiàn)進(jìn)行構(gòu)建。

2.3 評價指標(biāo)設(shè)計(jì)

選取平均絕對誤差(MAE)、均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)作為實(shí)驗(yàn)驗(yàn)證評價指標(biāo)。指標(biāo)算法如式(22)～式(24)所示:

(1)平均絕對誤差。

(22)

(2)均方根誤差。

(23)

(3)平均絕對百分比誤差。

(24)

2.4 模型參數(shù)

以6∶2∶2的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。考慮到計(jì)算效率和預(yù)測性能的提升,設(shè)置切比雪夫多項(xiàng)式的項(xiàng)數(shù)為3。在訓(xùn)練階段將MAE作為損失函數(shù)并進(jìn)行重復(fù)實(shí)驗(yàn)對超參數(shù)進(jìn)行調(diào)整,最后設(shè)置學(xué)習(xí)率為0.000 1,批量大小為64,訓(xùn)練迭代次數(shù)在PeMS04和PeMS08數(shù)據(jù)集上分別為200和80。

對于三個時間組件的長度,設(shè)置不同的Th、Td以及Tw值來比較模型的預(yù)測效果,如圖4所示。從圖4中可以看出,當(dāng)Th=36、Td=24和Tw=24時,模型的預(yù)測效果較佳。同時設(shè)置預(yù)測窗口Tp=12,即目標(biāo)是預(yù)測在未來一小時內(nèi)的交通流。

圖4 在PeMS04數(shù)據(jù)集上ASTG-CRNN模型置不同的Th、Td以及Tw值時在未來1h上預(yù)測結(jié)果的MAE對比

2.5 實(shí)驗(yàn)結(jié)果與分析

(1)各模型多步長預(yù)測結(jié)果。

用ASTG-CRNN模型和前述的5種基線模型分別對未來1h內(nèi)的交通流進(jìn)行預(yù)測,每5分鐘為一步長,預(yù)測步長12步。在數(shù)據(jù)集PeMS04上ASTG-CRNN模型在前3步的預(yù)測效果優(yōu)勢不明顯,如圖5(a)(b)所示,MAE、RMSE要略差于STSGCN模型,而在后9步ASTG-CRNN模型的預(yù)測效果要優(yōu)于其它基線模型,尤其是在MAPE指標(biāo)上優(yōu)勢明顯,如圖5(c)所示。而在數(shù)據(jù)集PeMS08上ASTG-CRNN模型在前12步的預(yù)測效果均要優(yōu)于其它基線模型,如圖6(a)(b)以及(c)所示,尤其是在后6步上當(dāng)STSGCN、ASTGCN的三項(xiàng)指標(biāo)大幅降低的時候,ASTG-CRNN模型的三項(xiàng)指標(biāo)降幅并不明顯且指標(biāo)數(shù)值低于其它基線模型,顯示出該文提出的模型在多步長交通流預(yù)測方面有著一定的優(yōu)越性。但在兩項(xiàng)數(shù)據(jù)集上ASTG-CRNN等模型在三項(xiàng)評價指標(biāo)上的抖動幅度要明顯大于LSTM、GRU以及CNN-LSTM模型,這是因?yàn)長STM、GRU以及CNN-LSTM模型只對交通流序列的時間或空間特征進(jìn)行提取,而ASTG-CRNN等模型要同時考慮到時空相關(guān)性,對交通流序列的時間和空間特征進(jìn)行捕捉,因而在穩(wěn)定性方面ASTG-CRNN模型的效果要差些。ASTG-CRNN模型相較于其它基線模型的具體預(yù)測誤差數(shù)值對比如表1所示。

表1 在未來15 min、30 min和1 h上ASTG-CRNN模型和基線模型的預(yù)測誤差數(shù)值

圖5 各模型在PeMS04數(shù)據(jù)集上不同時間步長的預(yù)測結(jié)果對比

圖6 各模型在PeMS08數(shù)據(jù)集上不同時間步長的預(yù)測結(jié)果對比

(2)各模型交通流預(yù)測值與真實(shí)值對比。

為了能直觀地說明ASTG-CRNN模型的預(yù)測效果,分別在PeMS04和PeMS08數(shù)據(jù)集上隨機(jī)選取一個路段,分別命名為路段1和路段2,并對這兩個路段提前一小時的交通流預(yù)測情況進(jìn)行可視化,對比各模型的預(yù)測值與真實(shí)值之間的誤差,時間間隔為5分鐘,如圖7、圖8所示。從圖中可以看出,ASTG-CRNN模型對真實(shí)值的擬合效果最好,而其它模型存在明顯的滯后性,尤其在時間段9:00-10:00上對比效果明顯。這說明ASTG-CRNN模型能夠有效預(yù)測出未來的交通流情況和趨勢。

圖7 各模型在PeMS04數(shù)據(jù)集上路段1的預(yù)測值與真實(shí)值對比

圖8 各模型在PeMS08數(shù)據(jù)集上路段2的預(yù)測值與真實(shí)值對比

(3)消融實(shí)驗(yàn)。

為了凸顯該文使用的注意力機(jī)制、CNN-BiGRU組合模型以及構(gòu)建的有向帶權(quán)鄰接矩陣的優(yōu)勢,設(shè)置了對比實(shí)驗(yàn)分別驗(yàn)證其對模型的影響。STG-CRNN為ASTG-CRNN模型去除注意力機(jī)制后的模型,ASTG-RNN、ASTG-CNN分別為ASTG-CRNN模型去除CNN、BiGRU后的模型,NMASTG-CRNN模型為在ASTG-CRNN模型的基礎(chǔ)上將鄰接矩陣相連節(jié)點(diǎn)的權(quán)重設(shè)置為0或1后的模型。各模型在兩種數(shù)據(jù)集上不同時間步長的RMSE預(yù)測結(jié)果如表2所示。由表1、表2可知,注意力機(jī)制對ASTG-CRNN模型的預(yù)測效果都有一定作用。ASTG-CRNN的效果要好于STG-CRNN,這是因?yàn)闀r空注意力機(jī)制可以對交通流數(shù)據(jù)中的時空相關(guān)性進(jìn)行建模;ASTG-RNN、ASTG-CNN的預(yù)測效果比ASTG-CRNN差,這是因?yàn)镃NN-BiGRU組合模型可以對交通流數(shù)據(jù)中的時間特征進(jìn)行充分捕捉,從而捕獲到隱藏的信息;而ASTG-CRNN相較于NMASTG-CRNN有著更低的預(yù)測誤差,則說明通過構(gòu)建權(quán)重鄰接矩陣挖掘路網(wǎng)表征結(jié)構(gòu)關(guān)系,比以簡單的邏輯關(guān)系結(jié)構(gòu)設(shè)計(jì)權(quán)重能夠更好地表征路網(wǎng)結(jié)構(gòu)。

表2 對比模型在不同時間步長上的RSME預(yù)測數(shù)值

3 結(jié)束語

提出的ASTG-CRNN交通流預(yù)測模型能夠?qū)β肪W(wǎng)表征結(jié)構(gòu)進(jìn)行準(zhǔn)確刻畫,解決交通流數(shù)據(jù)中動態(tài)時空相關(guān)性難以進(jìn)行建模以及時間特征捕獲不充分的問題。該模型首先定義檢測節(jié)點(diǎn)相對鄰近度對路網(wǎng)表征結(jié)構(gòu)進(jìn)行刻畫,再引入時空注意力機(jī)制對交通流數(shù)據(jù)中動態(tài)時空相關(guān)性進(jìn)行建模,隨后再利用圖卷積對交通流數(shù)據(jù)中的空間特征進(jìn)行捕捉,最后利用CNN-BiGRU組合模塊對交通流數(shù)據(jù)中時間特征進(jìn)行充分捕捉。實(shí)驗(yàn)結(jié)果表明,ASTG-CRNN模型可以有效降低多步長交通流預(yù)測誤差。