原文传递
基于全局时空图注意力网络的交通流量预测
| 论文题名： | 基于全局时空图注意力网络的交通流量预测 |
| 关键词： | 交通流量预测;全局时空图注意力网络;全局交互;节点查询 |
| 摘要： | 随着城市化现代化的快速发展，中国汽车存有量迅速增长，交通拥堵成为城市管理目前面临的严峻挑战。智能交通系统(ITS)有助于提高交通路网通行效率，既可以为人们提供交通信息服务，又有利于促进城市交通智慧管理，这项技术的广泛应用将会有效缓解城市交通拥堵问题。 准确有效的交通流量预测是智能交通系统的核心组成要素，可以为交通智慧决策提供数据驱动的基础，从而优化交通调度减少道路拥堵。由于交通路网之间存在着复杂的动态时空关联，这使得交通流量预测充满挑战性。一方面，三维世界中的交通路网具有复杂的空间结构，交通流量是定向的且呈现非欧几里得相关性；另一方面，路网交通流量随时间的变化是非线性和非平稳的，是一种典型的时序数据。因此，交通流量预测的核心就是高效建模时空数据之间潜在的关联和影响。在先前研究中，卷积神经网络(CNN)和图卷积网络(GCN)被用于空间相关性建模，时间序列被用于建模交通流量的时间依赖性。但是，路网空间呈现的非欧几里得相关性，这使得卷积算子建模效果降低。 为了改善上述问题，本文提出一种基于时空注意力长短期记忆网络(STALSTM)。首先将复杂的交通网络抽象为一种时空图结构，然后将其展开分解为一组时空影响因子，最后从时空图的因子图表示中导出了基于时空注意力长短期记忆网络。由于各个交通节点在不同时刻相互之间的影响程度是不一样的，引入注意力机制用以捕获交通节点之间不同程度的影响因子。 此外，单纯考虑受关注点周围交通交互影响，过分简化了交通路网之间的影响。因此，在STALSTM的基础上，本文提出全局时空图注意力网络(GST-GAT)预测交通流量，该模型采用“全局交互+节点查询”的方式建模动态交通时空关联。在编码器中，LSTM组件灵活地将交通动态时空图转化为前馈可微的特征编码。交通全局交互被用于汇总交通路网上下文变化，在每个时刻通过一次向前计算整合所有交通节点特征。然后，计算交通全局交互对于单个交通节点的影响，并通过门控融合机制融合时空交互信息。最后，利用编码器-解码器结构训练混合特征编码，用以生成各节点交通预测状况。在公共交通数据集上的实验表明，STALSTM和GST-GAT均具有优异的预测性能，GST-GAT在准确性、推理速度方面的表现均优于先前工作。 |
| 作者： | 孙斌 |
| 专业： | 信息与通信工程 |
| 导师： | 赵端 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国矿业大学(江苏) |
| 学位年度： | 2021 |
检索历史
应用推荐
