劉鈺斐 許琳 李佩 嚴(yán)帥 劉云海

摘要 隨著城市人口的日益增長(zhǎng)，交通出行需求快速上升，如何精準(zhǔn)預(yù)測(cè)交通流量、對(duì)道路交通進(jìn)行管控提供依據(jù)，成為亟待解決的關(guān)鍵問題。文章提出了一種基于時(shí)空?qǐng)D注意力網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型。對(duì)于流量的時(shí)間特征，提出圖卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法：使用圖卷積神經(jīng)網(wǎng)絡(luò)捕獲流量的空間特征以及使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)捕獲流量的時(shí)間特征。同時(shí)，為了充分考慮不同時(shí)刻的流量信息對(duì)預(yù)測(cè)的作用，引入了注意力機(jī)制來計(jì)算不同時(shí)刻流量信息的重要性。在揚(yáng)州公路數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，文章提出的模型各項(xiàng)評(píng)估指標(biāo)均優(yōu)于基線模型，從而驗(yàn)證了模型的有效性和適用性。

關(guān)鍵詞 交通流量預(yù)測(cè)；圖卷積神經(jīng)網(wǎng)絡(luò)；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制

中圖分類號(hào) U491.1+4 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2024）04-0004-04

0 引言

道路流量預(yù)測(cè)在城市交通規(guī)劃和管理中扮演著至關(guān)重要的角色。隨著城市化進(jìn)程的加速和車輛數(shù)量的不斷增加，道路擁堵問題已經(jīng)成為當(dāng)今城市面臨的一個(gè)極為緊迫的挑戰(zhàn)。有效地預(yù)測(cè)道路流量對(duì)于交通管理部門而言至關(guān)重要，因?yàn)樗軌驗(yàn)楦雍侠砗陀行У刂贫ń煌ㄒ?guī)劃和管理措施提供基礎(chǔ)數(shù)據(jù)和準(zhǔn)確指導(dǎo)，從而改善交通擁堵狀況并提高道路通行效率^[1-5]。

為考慮交通流量的時(shí)序特性，研究者提出使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）進(jìn)行交通流量預(yù)測(cè)^[6]。然而，由于LSTM無法考慮交通流量的空間關(guān)系，研究者提出使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來捕獲交通流量的空間特征^[7]。然而，CNN僅適用于歐幾里得數(shù)據(jù)，對(duì)于交通網(wǎng)絡(luò)等非歐幾里得數(shù)據(jù)，輸入容易被打亂，無法有效保留交通網(wǎng)絡(luò)的拓?fù)湫畔?。為克服這一缺點(diǎn)，圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）應(yīng)運(yùn)而生，具備高效提取空間特征的能力，目前在交通流量預(yù)測(cè)領(lǐng)域成為主流的深度學(xué)習(xí)模型。通常，GCN與其他模型結(jié)合構(gòu)建深度學(xué)習(xí)框架。研究者提出使用立體卷積核提取交通流量的不規(guī)則時(shí)空特性，以及使用多層深度圖卷積網(wǎng)絡(luò)提取全網(wǎng)交通流量的時(shí)空特性^[8]。此外，研究者將GCN與雙向LSTM相結(jié)合，并引入k-hop矩陣，將鄰接矩陣與站間的出行矩陣相結(jié)合，取得了更好的預(yù)測(cè)性能^[9]。

現(xiàn)有研究對(duì)流量預(yù)測(cè)進(jìn)行了較為深入的探索，但是大多數(shù)研究?jī)H采用單一模型來提取流量特征。在使用LSTM進(jìn)行流量預(yù)測(cè)時(shí)，通常需要結(jié)合一些特征工程來獲取與流量相關(guān)性較高的數(shù)據(jù)，以作為空間特征的補(bǔ)充。然而，這種方法往往導(dǎo)致預(yù)測(cè)效果不佳。類似地，使用CNN和GCN模型的研究也面臨相似的問題。因此，如何構(gòu)建一種深度學(xué)習(xí)框架，以充分挖掘流量的時(shí)空特性，是當(dāng)前亟待解決的問題之一。同時(shí)，一些先進(jìn)的深度學(xué)習(xí)技術(shù)，例如注意力機(jī)制對(duì)各類序列問題都有良好的適應(yīng)性和表現(xiàn)。然而，在流量預(yù)測(cè)領(lǐng)域，對(duì)于注意力機(jī)制的應(yīng)用較為有限。因此，如何利用最先進(jìn)的深度學(xué)習(xí)技術(shù)來提高預(yù)測(cè)的精度，也是另一亟待解決的問題。

為了解決上述問題，該文提出了一種創(chuàng)新的時(shí)空?qǐng)D卷積網(wǎng)絡(luò)，旨在更好地捕捉道路流量數(shù)據(jù)中的潛在時(shí)空關(guān)系。該模型不僅能夠有效地利用道路網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的空間相關(guān)性，還能夠充分考慮時(shí)間維度上的演化和趨勢(shì)。為了進(jìn)一步提升預(yù)測(cè)精度，該文引入了注意力機(jī)制，以提取道路流量中的重要信息和關(guān)鍵特征。通過在揚(yáng)州市真實(shí)道路流量數(shù)據(jù)上進(jìn)行的實(shí)驗(yàn)，驗(yàn)證了該文所提出模型的有效性和優(yōu)越性。實(shí)驗(yàn)結(jié)果表明，該模型在預(yù)測(cè)道路流量方面具有出色的性能，能夠?yàn)榻煌ü芾聿块T的決策制定和交通規(guī)劃提供有力支持，為解決城市交通擁堵問題提供了可行的方案。

1 模型構(gòu)建

1.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種能夠?qū)π蛄袛?shù)據(jù)進(jìn)行建模的神經(jīng)網(wǎng)絡(luò)模型。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同，RNN通過引入循環(huán)連接，使得網(wǎng)絡(luò)能夠捕捉到序列中的時(shí)序依賴關(guān)系。RNN的關(guān)鍵特性是其隱藏狀態(tài)（hidden state），它在每個(gè)時(shí)間步中都會(huì)被更新并傳遞給下一個(gè)時(shí)間步。為了解決這些問題，研究人員提出了對(duì)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。它通過引入門控機(jī)制來解決傳統(tǒng)RNN中的梯度消失和梯度爆炸問題，以及更好地處理長(zhǎng)期依賴關(guān)系。LSTM的核心思想是細(xì)胞狀態(tài)（cell state），它類似于RNN的隱藏狀態(tài)，但具有更強(qiáng)的記憶能力。

然而，傳統(tǒng)的RNN存在著梯度消失和梯度爆炸的問題。LSTM通過三個(gè)門控單元來控制細(xì)胞狀態(tài)的更新：遺忘門（forget gate）、輸入門（input gate）和輸出門（output gate）。遺忘門決定了前一時(shí)刻細(xì)胞狀態(tài)中哪些信息需要被遺忘，輸入門決定了當(dāng)前輸入的哪些信息需要被記憶，而輸出門決定了當(dāng)前時(shí)刻的細(xì)胞狀態(tài)中哪些信息需要被輸出到下一層或下一個(gè)時(shí)間步。LSTM的結(jié)構(gòu)如圖1所示。

定義輸入序列：X=（x₁，x₂，…，x_T），隱藏狀態(tài)序列：H=（h₁，h₂，…，h_T），細(xì)胞狀態(tài)序列：C=（c₁，c₂，…，c_T），遺忘門輸出序列：F=（f₁， f₂，…， f_T），輸入門輸出序列：I=（i₁，i₂，…，i_T），輸出門輸出序列：O=（o₁，o₂，…，o_T）。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的計(jì)算公式如下：

1.2 圖卷積神經(jīng)網(wǎng)絡(luò)

圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Neural Networks，GCN）是一種用于處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型。GCN的主要目標(biāo)是在節(jié)點(diǎn)級(jí)別上學(xué)習(xí)節(jié)點(diǎn)的表示，同時(shí)利用圖結(jié)構(gòu)信息進(jìn)行信息傳播和特征提取。

GCN的核心思想是通過局部鄰居節(jié)點(diǎn)的信息聚合來更新每個(gè)節(jié)點(diǎn)的表示。對(duì)于每個(gè)節(jié)點(diǎn)，GCN將其特征與鄰居節(jié)點(diǎn)的特征進(jìn)行加權(quán)和，權(quán)重由圖結(jié)構(gòu)和節(jié)點(diǎn)之間的關(guān)系確定。然后，通過一個(gè)非線性激活函數(shù)，如ReLU，將聚合的結(jié)果作為節(jié)點(diǎn)的新表示。這樣，通過多次迭代圖卷積操作，GCN可以逐漸豐富節(jié)點(diǎn)的表示，并將圖結(jié)構(gòu)中的信息傳播到整個(gè)網(wǎng)絡(luò)。

對(duì)于每個(gè)節(jié)點(diǎn)v_i，其鄰居節(jié)點(diǎn)集合為N（v_i），表示為

在計(jì)算得到注意力權(quán)重的基礎(chǔ)上，獲取到了各個(gè)輸入信息的重要性。接下來只需要通過加權(quán)求和即可得到最終的輸入，計(jì)算公式如下：

1.4 模型框架

為通過使用完全由數(shù)據(jù)驅(qū)動(dòng)的方法來實(shí)現(xiàn)道路交通流量短時(shí)進(jìn)站流量預(yù)測(cè)，該文構(gòu)建了一種端到端的深度學(xué)習(xí)框架：基于時(shí)空?qǐng)D卷積注意力網(wǎng)絡(luò)的流量預(yù)測(cè)模型。該模型的框架如圖2所示。模型由時(shí)空?qǐng)D卷積模塊和注意力機(jī)制兩大部分組成。其中，時(shí)空?qǐng)D卷積模塊分別由圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）來捕獲流量的空間特性，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）來捕獲交通流量的時(shí)間特性。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 數(shù)據(jù)集描述

為了驗(yàn)證該文提出模型的有效性，采用揚(yáng)州市真實(shí)道路交通流量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)基于2023年6月?lián)P州市高速公路G328數(shù)據(jù)集，由攝像頭數(shù)據(jù)采集到的交通流量數(shù)據(jù)，共有44個(gè)路段。通過高德地圖爬取路段之間的連接關(guān)系，構(gòu)造鄰接矩陣。

預(yù)測(cè)以15 min作為時(shí)間間隔，所有路段過去8個(gè)時(shí)段的流量形成輸入x，而下一個(gè)時(shí)段所有路段的流量形成輸出y。最后，按照8∶2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。

2.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證模型預(yù)測(cè)精度，需要根據(jù)流量預(yù)測(cè)值與真實(shí)值來計(jì)算相應(yīng)的指標(biāo)進(jìn)行評(píng)估。在模型評(píng)估方面，該文選擇以下三個(gè)常用的評(píng)估指標(biāo)：

（1）均方根誤差（RMSE）：

（2）平均絕對(duì)誤差（MAE）：

2.3 實(shí)驗(yàn)結(jié)果分析

對(duì)比模型：

（1）歷史平均法（HA）：歷史平均法是一種用于計(jì)算數(shù)據(jù)趨勢(shì)的統(tǒng)計(jì)方法。它通過將多個(gè)時(shí)間點(diǎn)的數(shù)據(jù)平均化，以獲得一個(gè)更平滑的趨勢(shì)線，從而減少噪音和波動(dòng)的影響。

（2）圖卷積神經(jīng)網(wǎng)絡(luò)：使用了原始的圖卷神經(jīng)網(wǎng)絡(luò)，其中，計(jì)算單元采用ChebNet，階數(shù)K設(shè)置為3。

（3）TGCN^[10]：TGCN是一種基于圖卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元的模型，它可以同時(shí)捕捉空間和時(shí)間相關(guān)性，來充分提取流量的時(shí)空特性。

在實(shí)驗(yàn)數(shù)據(jù)集的測(cè)試集中，該文將提出的模型與三種基線模型進(jìn)行了對(duì)比。為了全面評(píng)估交通流量預(yù)測(cè)性能，采用了RMSE、MAE和R²這三個(gè)評(píng)估指標(biāo)。如表1所示，基線模型HA的預(yù)測(cè)效果最差，其R²值僅為0.70。相比之下，GCN和T-GCN明顯優(yōu)于HA。該文的模型在所有評(píng)價(jià)指標(biāo)上表現(xiàn)最佳，RMSE為38.67，MAE為18.39，R²為0.93。這證明該文的模型能夠有效地捕捉交通流量的時(shí)空特征，并具備出色的流量預(yù)測(cè)能力?？紤]使用的數(shù)據(jù)集是真實(shí)的道路交通流量數(shù)據(jù)，預(yù)測(cè)的復(fù)雜性很高，場(chǎng)景也非常復(fù)雜，因此需要綜合考慮流量的時(shí)空特征以及其重要性。與HA模型僅從時(shí)間序列角度進(jìn)行預(yù)測(cè)相比，GCN考慮了流量的拓?fù)潢P(guān)系，從空間角度提取了流量特征，因此預(yù)測(cè)效果更好，但總體上仍有待改進(jìn)。T-GCN同時(shí)考慮了流量的時(shí)間和空間特征，從而提升了預(yù)測(cè)精度，然而由于未考慮流量的重要性程度，其預(yù)測(cè)效果仍不如該文提出的模型。

3 結(jié)語

該文提出了一種基于時(shí)空?qǐng)D注意力網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型，旨在解決城市交通規(guī)劃和管理中的道路擁堵問題。為了捕捉流量的時(shí)間特征，該文結(jié)合了圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的方法。GCN用于捕獲流量的空間特征，而LSTM則用于捕獲流量的時(shí)間特征。為了充分考慮不同時(shí)刻的流量信息對(duì)預(yù)測(cè)的影響，該文引入了注意力機(jī)制來計(jì)算不同時(shí)刻流量信息的重要性。通過在揚(yáng)州公路數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，該文驗(yàn)證了所提出模型的有效性和適用性。實(shí)驗(yàn)結(jié)果表明，該文的模型在各項(xiàng)評(píng)估指標(biāo)上均優(yōu)于基線模型，驗(yàn)證了其在交通流量預(yù)測(cè)中的有效性和適用性。

在未來的研究中，可以進(jìn)一步考慮現(xiàn)實(shí)中影響交通流量的其他因素，如天氣因素、重大事件、突發(fā)情況等，將它們作為特征加入模型中。這樣做可以使模型更貼近實(shí)際交通運(yùn)行環(huán)境，進(jìn)一步提高交通流量預(yù)測(cè)的準(zhǔn)確率。綜合考慮更多的因素，能夠更好地理解交通流量的動(dòng)態(tài)變化，從而為城市交通規(guī)劃和管理提供更精確的參考和決策支持。

參考文獻(xiàn)

[1]陳治亞， 王小軍. 基于多維度LSTM模型的短時(shí)交通流預(yù)測(cè)[J]. 鐵道科學(xué)與工程學(xué)報(bào)， 2020（11）： 2946-2952.

[2]蔡昌俊， 姚恩建， 王梅英， 等. 基于乘積ARIMA模型的城市軌道交通進(jìn)出站客流量預(yù)測(cè)[J]. 北京交通大學(xué)學(xué)報(bào)， 2014（2）： 135-140.

[3]王瑩， 韓寶明， 張琦， 等. 基于SARIMA模型的北京地鐵進(jìn)站客流量預(yù)測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2015（6）： 205-211.

[4]段金肖， 丁川， 鹿應(yīng)榮， 等. 考慮動(dòng)態(tài)波動(dòng)性的軌道交通站點(diǎn)短時(shí)客流預(yù)測(cè)方法[J]. 交通信息與安全， 2017（5）： 62-69.

[5]趙鵬， 李璐. 基于ARIMA模型的城市軌道交通進(jìn)站量預(yù)測(cè)研究[J]. 重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2020（1）： 40-44.

[6]Luo X， D Li， Yang Y， et al. Spatiotemporal Traffic Flow Forecasting with KNN and LSTM[J]. Journal of Advanced Transportation， 2019（PT. 1）： 537-546.

[7]羅文慧， 董寶田， 王澤勝. 基于CNN-SVR混合深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2017（5）： 68-74.

[8]Han， Wang， Ren， et al. Predicting Station-Level Short-Term Passenger Flow in a Citywide Metro Network Using Spatiotemporal Graph Convolutional Neural Networks[J]. International Journal of Geo-Information， 2019（6）： 243.

[9]Chen P， Fu X， Wang X. A Graph Convolutional Stacked Bidirectional Unidirectional-LSTM Neural Network for Metro Ridership Forecasting[J]. IEEE Transactions on Intelligent Transportation Systems， 2021（99）： 1-13.

[10]Zhao L， Song Y， Zhang C， et al. T-GCN： A Temporal Graph Convolutional Network for Traffic Prediction[J]. 2018.

收稿日期：2023-12-29

作者簡(jiǎn)介：劉鈺斐（1982—），男，碩士研究生，高級(jí)工程師，研究方向：公路運(yùn)營(yíng)管理。

通信作者：李佩（1999—），男，碩士研究生，研究方向：智能交通系統(tǒng)。

基金項(xiàng)目：國(guó)家自然科學(xué)基金青年科學(xué)基金“面向公共交通接駁的自動(dòng)駕駛共享電動(dòng)汽車調(diào)度優(yōu)化研究”（72301066）。