車興亮,熊 文
(云南師范大學(xué) 信息學(xué)院,云南 昆明 650000)
近年來,隨著全球城市化進程的不斷加速,城市交通管理遭遇了前所未有的挑戰(zhàn)。在此背景下,智能交通系統(tǒng)(Intelligent Traffic System,ITS)應(yīng)運而生。這一系統(tǒng)不僅是現(xiàn)代智慧城市建設(shè)中的關(guān)鍵組成部分,還是確保交通流暢、減少擁堵、提高道路使用效率的重要工具。其中,交通流量預(yù)測是智能交通系統(tǒng)中至關(guān)重要的一個環(huán)節(jié)。只有準確預(yù)測未來的交通流量,相關(guān)部門才能采取必要的策略和措施,如合理調(diào)度交通信號燈、建議駕駛者選擇的最佳路線等,從而有效減少交通擁堵和事故。
交通流量預(yù)測的主要難點在于交通數(shù)據(jù)的時空依賴關(guān)系復(fù)雜而又變化不定。很多研究已經(jīng)證明,深度學(xué)習(xí)方法在捕捉這些時空關(guān)系上具有明顯的優(yōu)勢。其中,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和回歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是最初的解決方案,主要用于捕獲空間和時間依賴性。然而,隨著研究的深入,人們發(fā)現(xiàn)圖形神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)更適合模擬交通數(shù)據(jù)的潛在圖結(jié)構(gòu),因為交通數(shù)據(jù)實際上呈現(xiàn)出網(wǎng)絡(luò)狀結(jié)構(gòu),如道路網(wǎng)、交通節(jié)點等。
其中,Wu等[1]提出的GraphWavenet是近年來在交通流量預(yù)測領(lǐng)域的一個里程碑式的作品。它結(jié)合了門控時間卷積網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)[2]和圖卷積網(wǎng)絡(luò)(Graph Convolution Network,GCN)[3],從而更有效地捕捉時空依賴關(guān)系。盡管Graph WaveNet的效果已經(jīng)非常顯著,但仍然存在一些優(yōu)化空間。
本文在Graph WaveNet的基礎(chǔ)上進行了進一步的研究。本文沿用了其圖生成模塊,同時引入了時間卷積、圖卷積以及門控線性單元的時空塊,目的是更細致地捕捉時空關(guān)系。通過在PEMS數(shù)據(jù)集上的實驗測試,本文方法在預(yù)測準確性上優(yōu)于Graph WaveNet,證明了本文方法的有效性。
本節(jié)內(nèi)容分為2個部分,分別是問題定義和模型方法。問題定義部分將深入探討交通流量預(yù)測的各個要素:交通傳感器、交通網(wǎng)絡(luò)、交通信號和交通預(yù)測的定義。而模型方法則包括:模型的整體結(jié)構(gòu)和具體模塊的作用、原理的介紹。
定義1 交通傳感器。交通傳感器是部署在交通系統(tǒng)(如道路網(wǎng)絡(luò))中的傳感器,它記錄交通信息(如過往車輛的流量或車速)。
定義2 交通網(wǎng)絡(luò)。交通網(wǎng)絡(luò)是一個有向或無向圖G=(V,E),其中V是|V|=N個節(jié)點的集合,每個節(jié)點對應(yīng)于一個部署的傳感器,E是|E|=M條邊的集合。節(jié)點之間的可達性,表示為鄰接矩陣A∈RN×N,可以根據(jù)節(jié)點間成對的路網(wǎng)距離得到。
定義3 交通信號。交通信號Xt∈RN×C表示在時間步長t時對交通網(wǎng)絡(luò)G上所有傳感器的觀測,其中C是傳感器采集的特征數(shù)。
定義4 交通預(yù)測。給定Th時間步長的歷史交通信號X=[Xt-Th+1,…,Xt]∈RTh×N×C交通預(yù)測的目的是預(yù)測未來交通信號Y=[Xt+1,…,Xt+Tf]的Tf最近的未來時間步長。
模型的總體架構(gòu)如圖1所示,其設(shè)計思路是高效并精確地預(yù)測交通流量。該模型主要由圖生成模塊和3個堆疊的時空塊組成,圖生成模塊通過參數(shù)學(xué)習(xí)的方式生成用于表示傳感器之間關(guān)系的鄰接矩陣,時空塊由3個部分組成,分別是時間卷積、圖卷積和門控線性單元。
1.2.1 圖生成模塊
圖生成模塊的核心目的是通過參數(shù)學(xué)習(xí)的方法生成鄰接矩陣。鄰接矩陣是一個二維數(shù)組,用于表示傳感器之間的關(guān)系,即每個傳感器與其他傳感器之間的連接關(guān)系和連接強度。本文遵循Graph WaveNet的自適應(yīng)鄰接矩陣學(xué)習(xí)方式來生成相應(yīng)的圖結(jié)構(gòu):
(1)
E1,E2∈RN×d是隨機初始化具有可學(xué)習(xí)參數(shù)的2個節(jié)點嵌入,其中N表示節(jié)點數(shù),d表示節(jié)點嵌入的維度。
1.2.2 時空塊
時空塊是專門為了從輸入流量數(shù)據(jù)中挖掘有用時空信息而設(shè)計的,每個時空塊由時間卷積層、圖卷積層和門限線性單元組成。
時間卷積的主要目標是提取交通流量數(shù)據(jù)中的時間依賴性。通過使用時間卷積,模型可以識別和學(xué)習(xí)到交通流量在不同時間點的變化規(guī)律和模式。本文使用的時間卷積是卷積核大小為3的一維卷積,用于學(xué)習(xí)輸入交通流量的局部時間特征:
FT=Conv(X)
(2)
FT表示通過時間卷積學(xué)習(xí)后的時間特征。圖卷積負責(zé)捕捉空間關(guān)系,例如,某個交通節(jié)點如何受到其周圍其他節(jié)點的影響,或者當某個路段發(fā)生擁堵時,如何影響到其他相鄰或相關(guān)的路段。把時間卷積的輸出FT通過卷積核為3的切比雪夫多項式圖卷積學(xué)習(xí)FT的空間特征:
FST=GConv(FT)
(3)
FST表示通過圖卷積學(xué)習(xí)后的時空特征。最后使用門控線性單元對時空特征FST進行最后的整合:
(?1,?2)=split(FST)
(4)
Foutput=?1⊙sigmoid(?2)
(5)
Foutput表示最終的時空塊輸出。
總體而言,該模型通過圖生成模塊有效地學(xué)習(xí)傳感器之間的實際關(guān)系,而時空塊則深入挖掘交通流量的時空依賴性。這種設(shè)計確保了模型在預(yù)測交通流量時既具有高效性,又具有高準確性。
所有實驗均在 NVIDIA A40 GPU 上使用Pytorch 1.11.0 完成。模型的輸入流量序列數(shù)據(jù)的長度等于輸出數(shù)據(jù)的長度,均為12。本文采用MAE損失來對模型進行優(yōu)化,并選擇Adam作為優(yōu)化器。學(xué)習(xí)率設(shè)置為0.001,節(jié)點嵌入維度為10,時空塊中的隱藏維度為32。在實驗中,本文設(shè)置batch size為64,并進行了200個epochs的訓(xùn)練。最后,選用均方根誤差(Root Mean Squared Error, RMSE)和平均絕對誤差(Mean Absolute Error, MAE)作為評價實驗結(jié)果的指標。
PEMS08是一個公共交通流量數(shù)據(jù)集,數(shù)據(jù)收集自CalTransPeMS。PEMS08包含2018年7月1日至2018年8月31日期間08區(qū)170個傳感器的數(shù)據(jù)。流量信息以每5 min一次的速度記錄,總共有17 833個時間片。
從表1和圖2的結(jié)果可以明確觀察到,本文提出的方法在交通流量預(yù)測的精確度上具有顯著的優(yōu)勢。特別是在RMSE和MAE這2個關(guān)鍵的評估指標上,本方法的表現(xiàn)明顯超越了Graph WaveNet。這2個指標都是用來衡量預(yù)測結(jié)果和實際值之間的差異的,因此它們的低值通常意味著更好的預(yù)測效果。
表1 交通流預(yù)測結(jié)果
圖2 每個時間步的預(yù)測誤差
更為值得注意的是,當預(yù)測的時間跨度或步長增加時,本文提出的方法的優(yōu)勢變得更加明顯。這意味著,對于更長期的交通流量預(yù)測,該方法不僅能夠保持其高準確度,而且與Graph WaveNet的比較差距也在逐漸擴大。這一點對于實際應(yīng)用中的長期交通規(guī)劃和管理而言是極為關(guān)鍵的。
本文在Graph WaveNet提出的自適應(yīng)圖結(jié)構(gòu)模塊的基礎(chǔ)上,引入了時間卷積、圖卷積和門控線性單元的組合來對交通流量中的時空模式進行更深入、更細致的挖掘。與原始的Graph WaveNet相比,實驗結(jié)果表明,本文提出的方法在預(yù)測準確性上具有明顯的優(yōu)勢,這證明了在復(fù)雜的交通流量數(shù)據(jù)中,深入挖掘時空關(guān)系的重要性。