详情

原文传递基于图神经网络的路网交通流时空建模与预测研究

论文题名：	基于图神经网络的路网交通流时空建模与预测研究
关键词：	智能交通系统;交通流参数;交通拥堵;图神经网络;有向超图;多任务学习
摘要：	随着国内外城市化进程的发展和社会经济水平的提高，行驶车辆的数目也在迅速提高。这导致了现有的交通基础设施难以满足社会对于通行的需求，并使得交通拥堵成为了国内外很多路网无法避免的问题。而智能交通系统(IntelligentTransportationSystems，ITS)通过结合包括传感技术、信息技术等在内的多种先进技术成为了国内外缓解该问题的主要手段。对路网交通流进行准确的时空建模与预测是ITS中的一个重要部分，其可以有效提高交通管控、行程规划等工作的水平。　　本文针对路网交通流预测任务中的交通流参数预测和拥堵预测两类任务中现有方法的不足，提出了四种新的基于图神经网络的改进算法，用以实现更加精确、更加可行的预测方案。本文主要内容如下所示: 　　1.基于图的深度学习方法在路网交通流参数预测领域有着非常良好的表现。但是这些方法都高度依赖基于路网结构信息构建的预定义的图结构。而这种图很多时候很难保证具有比较高的质量，甚至有时候会难以获得。此外预定义的图结构通常是静态的，其无法描述路网中动态的空间关系。考虑到此，本文提出了一种新的构图算法，并基于此设计了新的时空图神经网络用以实现路网交通流参数预测。该算法无需依赖预定义的图就可以根据当前路网中交通流的历史数据来构建实时变化的动态图。这种方法让模型摆脱了对预定义图结构的依赖，而且可以更好地反映动态空间信息。在两个真实数据集上的实验结果表明该方法可以在不使用预定义图的情况下达到与其他依赖预定义图的算法相媲美甚至更好的效果。　　2.路网交通流参数预测中现有方法在建模多点间复杂空间关系时还存在天然的不足。基于图的预测方法采用一对一的边来描述所有节点间的关系。由于交通系统的复杂性，路网中还存在多点间的复杂联系。这样的关系很难用一对一的边来描述，这导致了现有方法的不足。针对这个问题，本文引入了有向超图来表征复杂的路网。有向超图采用有向超边来描述节点间多对多的复杂关系。通过结合注意力机制和有向超图，本文进一步提出了新的有向超图注意力网络。与其他基于传统图结构的方法相比，该模型在建模多点间复杂关系时具有明显的优势。多个真实数据集上的实验结果验证了该方法的有效性。　　3.在交通拥堵预测领域，传统的自编码器算法无法很好地建模交通数据中的时空特性。而且传统自编码器算法采用无监督的方法提取特征，这导致有时候传统自编码器算法无法提取出对拥堵预测真正有帮助的特征。为了改进这些问题，本文提出了一种新型的改进自编码器算法。在该算法中，本文结合循环神经网络和图卷积算法设计了新的编码器和解码器，用以实现对路网交通流中的复杂时空关系建模。此外，本文在训练过程引入了新的距离损失项来提取对拥堵预测更加有效的特征。对比传统自编码器和其他一些经典的交通拥堵预测算法，在真实城市采集的数据集上的实验结果证明了本文提出的改进自编码器算法的有效性。　　4.在最后一点工作中，本文设计了一个多任务学习模型来一次实现多种路网交通流预测任务。原有的路网交通流预测工作大部分都是单任务学习模型，这样的方法不能利用多个交通流预测任务间的关系来提高各个任务的效果。又由于交通数据中存在复杂的时空特性，其他领域中知名的多任务框架无法有效应用在路网交通流预测任务上。为了解决这个问题，本文提出了时空图多门混合专家模型。该模型中每个任务独享一个专家网络，而多个任务间共享多个专家网络。此外每个任务各自有一个门控网络来融合来自多个专家网络的信息。汇总后的信息会传递到每个任务各自拥有的输出塔来实现对各交通流任务的预测。通过这样的方式，本文实现了对于多个交通流预测任务的同时建模。此外，本文在各子模块中引入了图卷积算法和注意力机制来建模交通数据中的时空关系。在该模型中，每个任务可以利用共享专家网络提取出的通用信息来改善其预测效果。而每一个独享专家网络只针对其对应的任务提取交通特征。本文在多个真实数据集上同时对交通流速度、交通流流量和交通拥堵三个任务进行预测，实验证明该模型可以同时在多个交通流预测任务下实现理想的预测结果。
作者：	罗潇逸
专业：	控制科学与工程
导师：	梁军
授予学位：	博士
授予学位单位：	浙江大学
学位年度：	2022