基于动态图特征学习的交通流量预测.pdf

华中科技大学硕士学位论文

摘要

随着城市的不断扩张和人们出行需求的不断增长，对城市未来交通状况进行准

确预测的需求也在逐渐增多。准确的交通流量预测可以提前预知未来一段时间交通

网络的运行状况，帮助交通平台管理者进行资源调度，从而更好地满足人们的出行

需求，并减少交通堵塞和事故的发生。交通网络的流量数据往往通过大量部署在道

路上的传感器进行采集，这些传感器节点之间存在着复杂的时域和空域相关性影响。

现有的大部分研究基于预定义或参数化学习的邻接矩阵描述节点间的空域相关性关

系，然而这两种邻接矩阵构造方式均忽略了节点间相关性关系的动态变化。

本文以挖掘动态的节点间相关性关系为重点，提出了基于动态图特征学习的交

通流量预测模型。它由时空嵌入模块、时域卷积模块、动态图特征学习模块和预测

输出模块四个部分组成。其中时空嵌入模块通过融合节点自身的空间属性信息以及

当前时间段对应的时间信息，实现对节点流量周期性特征的提取；动态图特征学习

模块通过输入序列的交通状态信息实时构建动态邻接矩阵，并将该矩阵和输入序列

一起通过动态图卷积网络，以实现对节点间动态的空域相关性特征的提取；时域卷

积模块利用时域卷积和门控机制提取时域相关性特征；最后的预测输出模块利用网

络提取到的时域、空域特征，直接输出多步的预测结果。

本文在三个不同传感器节点数量和数据规模的公开数据集上进行了实验，并和

多个基准方法进行比较，结果显示本文提出的方法在其中两个数据集上的MAPE指

标相较于最好的基准方法分别提升了1.04%和5.03%，在第三个数据集上和最好的

基准方法实现大致相等的预测效果。此外，本文还将提出的模型应用在地铁客流量

预测中，并相对于最好的基准方法在MAPE指标下进一步提升了5.42%。

关键词：交通流量预测；时空相关性；图卷积网络；动态图神经网络

I

华中科技大学硕士学位论文

Abstract

Withthecontinuousexpansionofcitiesandgrowthofpeoplestravelneeds,thedemand

foraccuratepredictionofurbantrafficconditionsisalsoincreasing.Accuratetrafficflow

predictioncanhelptrafficplatformmanagerstodispatchresources,soastobettermeet

peoplestravelneeds,andreducetrafficjamsandaccidents.Trafficdataisoftencollected

throughalargenumberofsensorsdeployedontheroad.Therearecomplextemporaland

spatialcorrelationsbetweenthesetrafficnodes.Mostexistingstudiesdescribethespatial

relationshipbetweentrafficnodesbasedonpredefinedorparameterizedadjacencymatrix.

However,thesetwoconstructionmethodsofadjacencymatrixignorethedynamicchanges

ofthespatialrelationshipamongtrafficnodes.

Thisdissertationproposesatrafficflowpredictionmethodbasedondynamicgraph

featurelearning.Itconsistsoffourparts:spatio-temporalembeddingmodule,temporal