基于图神经网络的交通流量预测方法研究.docx

基于图神经网络的交通流量预测方法研究

摘要：文章提出了一种新型的交通运输流预测方法。首先，提出了一个基于时间空间特征的交通流预测模型，其中道路交通流的空间特性的提取是使用图形卷积网络（GCN）进行的。其次，通过一个简单而强大的可变触发周期单元GRU来实现一种随时序改变的道路网络；在此基础上，利用sequence-to-sequence模型对道路各个阶段的时间序列进行了评估，并利用该模式来获取最终的预测结果。最后，以sequence-to-sequence模型为基础，采用了自动编码机制对模型进行了结构优化，使预报准确率有了很大提高。

关键词：交通运输；图神经网络；深度学习；流量预测；自动编码机制

0??引??言

近年来，我国的经济高速增长带来了一系列城市交通问题，包括人均工资水平上升、汽车生产成本增加、道路交通拥堵等。城市快速发展导致人口激增，但城市规划和改善滞后，交通拥堵、环境恶化以及通勤成本的增加，成为市民生活的难题，也引起了政府的重视。为了更好地规划城市交通，节约时间、提高交通流预测的准确性成为学术界关注的焦点。

然而，在交通流量预测方面存在一些挑战，包括道路网络的空间依赖性和长期时间的难以预测性。首先，道路网络的交通流量受空间相关性影响，不同路段之间的关联性复杂，而且下游车流对未来的影响较大，这需要建立基于空间相关性的道路网络模型。其次，交通流量具有高度的实时性，受到工作日、假期、交通高峰期和不可预测事件的影响，因此长期预测较为困难。

有关交通流量预测的研究已经有数十年的历史，当下主要有知识驱动和数据驱动两种研究方法。在运输与运筹学方面，人们经常将队列理论用于仿真交通中的使用者行为。[1]在时序上，目前仍有几种数据驱动的方法，例如，自回归综合移动平均模型ARIMA，即根据所探测到的异常点的时间和空间特征，构建了一种基于异常点的空间和时间特征的异常树。这些因果树的构造，既能反映出时空异常量间的反复互动，又能反映出目前的路网设计中存在的一些不足。[2]另外，卡尔曼滤波方法也是一种新的支持矢量回归方法。[3]传统的时间序列模型都是依靠较为稳定的假定，但是在实际应用中，交通数据常常是非稳定的。

通过不同的传感器采集的速度、体积和密度，可以很好地反映出道路的交通情况。所以，这些数据一般被用来进行流量预报。根据预测的时间长短，可以将交通预测划分为三个规模：短时（5～30分钟）、中期（30～60分钟）、长期（1小时）。大部分常用的方法在短期预测范围内都有很好的效果。归根结底，车流是非常复杂和不确定的，因此，用上述方法进行长时间序列预报是很困难的。

在仿真方面，对交通流量进行预测，必须建立在物理原理和已有的基础上，对其进行全面、细致的建模。[4]然而，为了实现稳定，仿真系统和仿真工具仍需耗费大量的运算能力和熟练的参数设定。目前，由于交通数据的实时获取方式与方式的飞速发展，研究者们开始从大量的历史数据中寻找数据挖掘的方法。

交通预测是以排队理论和模拟为基础的经典交通问题。目前，基于数据的交通预测技术已经引起了人们的广泛重视。但是，目前的机器学习模型不是对数据进行了强烈的平滑假定，如自回归模型或者没有能够解释诸如潜在的空间模型之类的高度非线性的时间相关性[5]。

在交通预测中，卷积神经网络也得到了广泛的应用。有学者将路网转化为具有规律性的二维网格，然后，利用CNN技术，构建了一种新的交通流预测模型。[6]

本文提出了一种基于网络空间关联度的预测方法，旨在解决交通流量预测中的复杂因素和难题。这种时空预测模型不仅对交通流量预测具有重要意义，还可以应用于其他时间和空间的预测问题，为城市交通规划和相关领域提供有价值的理论支持。

1??模型构建

1.1??基于时空特征的交通流量预测模型

1.1.1??交通流预测问题

交通流量预测主要是利用网络中N个相关传感器所观察到的交通流进行预测。用图表来表示传感网络。

（1）

其中，是节点集，是边集。

使用图形的信号来表示在图G中所观察到的交通流量，为各节点的特征数目，是在时刻所观察到的图形信号，那么，交通流预测问题的目标即为一个函数，该函数为，给定一个图，交通量预测问题可以通过将图形信号从过去时间转移到未来时间来表示，如图1所示。

1.1.2??交通流量预测过程

在此基础上，本文提出一种基于时空特性的交通流量预测算法，首先对交通数据进行采集，并对其进行训练，得到最优的特征矢量集，再将其输入到循环神经网络中，利用序列-序列模式进行预测。图2是预测车流的流程图。

1.2??交通流空间依赖建模

1.2.1??问题定义

为方便对模型进行描述，本节本文研究了图卷积网络在交通流量预测中的应用。交通预测是指在一定时期内，根据以往的车辆行驶速度数据，预测某一地区的未来某一时间的路况；由N个测