基于离散小波变换和增强注意力的交通预测研究_.pdfVIP

摘要

随着城市化进程的加速和人口流动的增加，现代交通系统面临着严峻的挑战，

如交通拥堵和交通管理不善等。这些问题导致了人们对安全、高效出行的需求与

现有交通系统的发展不平衡和不充分之间的矛盾。因此，研究出准确的交通流预

测模型至关重要。然而，交通预测任务面临由数据丢失或不准确导致的数据质量

问题、由数据分布不均导致的数据异质性、时空相关性复杂、模型易过拟合以及

长短程预测难以兼顾等诸多挑战。虽然现在深度神经网络在交通预测领域取得了

一定的成就，但是往往难以有效地解决上述问题。面对以上挑战，本文旨在从频

域和时域两个维度展开研究，其主要的研究工作包括以下两个方面。

（1）针对数据分布不均导致的数据异质性问题，本文提出了基于离散小波变

换的时空交通流预测模型（Spatio-temporalTrafficFlowPredictionBasedonDiscrete

WaveletTransform,STDWT）。该模型从频域角度出发，对原始数据进行了解耦处

理，并采取“分而治之”的策略，解决了交通流预测任务中的端到端的建模方式

易过拟合的难题。首先时空嵌入模块对原始数据进行多种嵌入表示，以更全面地

捕捉交通流的时空特性。随后，为了将复杂的时空数据分解为不同的信号，离散

小波变换对数据解耦得到高频信号和低频信号，使得模型能够分别捕捉交通流的

临时波动和趋势，从而提高模型的抗噪性和泛化能力。其次，由于交通流数据中

的临时波动往往具有不同的尺度和频率，多尺度门控单元卷积网络使用多个卷积

核捕获这些不同尺度下的波动特征，使得模型更全面地理解和处理交通流数据中

的瞬时变化。同时，对于长期平缓变化的趋势而言，使用原始的静态邻接矩阵无

法充分捕获节点间的动态关系，动态扩散图卷积网络通过引入Gumbel分布来构建

动态邻接矩阵，使得模型能够随时间的变化而动态调节节点间的关系。最后，预

测层通过两个全连接对模型进行预测。本研究在PEMS04和PEMS08两个公开数据

集上进行了大量实验，结果验证了所提出模型的有效性。

（2）针对交通流预测模型难以兼顾长程和短程预测的问题，本文提出了一种

基于可学习的增强注意力的时空交通流预测模型（Spatio-temporalTrafficFlow

PredictionBasedonLearnableArgumentAttention,STL2A）。该模型从时域角度出发，

解决了交通流预测任务中模型易过拟合和长短程预测难以同时处理的难题。

STL2A首先对原始数据进行时空嵌入表示，并将其作为模型的输入。随后，本研

究对数据进行了时空建模。由于道路之间的空间邻近性构成了局部空间依赖性，

I

随着距离的增加，这种邻近性关系也会弱化。此外，即使两条道路在物理上距离

很远，它们的流量变化趋势也可以相似，例如道路的功能性一致。对于长程预测，

空间门控网络不仅引入了注意力和动态修正项以捕获节点间的物理空间相似性和

功能相似性，还通过随机的掩码矩阵对数据进行丢弃来避免模型的过拟合。同时，

对于短期预测，该网络引入了图卷积，以捕获交通流的复杂空间依赖性。时序融

合网络使用门控循环卷积和多头随机掩码的增强时间注意力捕获短期和长期的时

间依赖性。与此同时，为了避免模型忽略原始数据中的重要信息，多层感知机被

用于全面考虑数据的各方面特征。基于大量实验结果，该模型被证明可以提高交

通流预测的准确性。

关键词：深度学习；交通预测；注意力机制；图神经网络；离散小波变换

II

Abstract

Withtheaccelerationofurbanizationandtheincreaseinpopulationmobility,modern

transportsystemsarefacingseriouschallenges,suchastrafficcongestionandpoortraffic

management.Theseproblemsleadtoacontradictionbetweenthedemandforsafeand

efficientt