详情

原文传递基于动态时空图卷积的交通预测研究

论文题名：	基于动态时空图卷积的交通预测研究
关键词：	图卷积;动态图卷积;交通预测;时空预测
摘要：	随着城市化水平的不断提高以及交通数据的爆炸式增长，交通发展逐渐从数字化过渡到智能化，而交通预测则是智慧交通发展中不可缺失的一部分。交通预测的主要挑战在于其路网结构的拓扑连接关系和不断变化的时空特征。作为时空建模任务的典型，交通预测问题一直以来都备受关注。模拟仿真和数据驱动是研究人员进行交通预测研究的主流方法。随着大数据和人工智能技术的发展，数据驱动方法在近十几年得到了快速的迭代更新，从统计模型到机器学习再到深度学习，研究人员逐渐尝试使用复杂的神经网络对交通数据进行建模。近几年，研究者逐渐开始使用图来表示交通数据，并使用时空图卷积的结构对交通数据的时间依赖性、空间相关性进行建模，使得模型的预测精度有了大幅的提升，但使用图卷积来处理数据并不是一劳永逸的，图的构建才是图卷积模型成功的关键。　　将道路网络抽象为有向加权图有利于量化交通数据的空间相关性，而邻接矩阵则是图的一种表达方式。自适应的邻接矩阵能够表征隐藏的空间相关性，更重要的是在没有先验知识指导的情况下（节点的距离信息，道路的方向信息等），其能够自动从数据中发现图结构。考虑到现实世界交通节点间的动态实时复杂关系和不确定性，节点之间的空间相关性会随着时间变化而变化，本文在GraphWaveNet中自适应邻接矩阵的基础上加入动态性，使得图结构能够捕捉这种动态的空间变化，提出了动态时空图卷积模型DGCN：鉴于交通数据的周期性，早高峰、晚高峰等等，交通数据的日周期性非常显著，本文考虑在一天中的多个时间段学习多个邻接矩阵，来适应空间上的动态变化，即动态自适应邻接矩阵，以此对交通数据的动态空间相关性进行描述。考虑到现实世界大规模图数据的情况，本次研究利用CP分解相关知识，使用秩一张量对动态自适应邻接矩阵进行重构，有效减少了模型的参数量，降低模型求解的复杂度，帮助网络更好的收敛和学习，使用ReLU激活函数消除弱连接，SoftMax将动态自适应邻接矩阵归一化，通过梯度下降算法令系列秩一张量跟随网络一起端到端学习。　　本文首先对两个真实交通数据集METR-LA和PEMS-BAY进行了探索性分析，研究交通数据的时间依赖性、空间相关性，说明了交通预测任务的时空特性。进一步的，发现动态空间相关性，并说明动态空间相关性在时空建模任务中的必要性，为模型改进奠定基础。其次使用HA、ARIMA、LSTM、GraphWaveNet四个基准模型与本文的动态时空图卷积模型DGCN进行实验，在数据集上进行3期、6期、12期的预测。实验结果表明，无论是在短期预测还是长期预测，本文的动态时空图卷积模型在两个数据集上均取得了最优的效果。相较于原始的GraphWaveNet，DGCN在METR-LA上取得了平均0.04的提升，在PEMS-BAY上取得了平均0.06的提升，这表明了动态图卷积的有效性。另外，相较于短期预测，模型在30min和60min的中长期预测上提升得更为显著，METR-LA的平均提升为0.05，PEMS-BAY的平均提升为0.08。最后，本文从预测效果和动态自适应邻接矩阵的可视化和分析中，验证了DGCN能够更敏锐的捕捉动态空间相关性，并且有效的利用邻近节点的速度变化，进一步提高交通预测的精度。　　本次研究中动态图结构的引入使得模型敏锐的捕捉到了动态空间相关性，并有效利用了邻近节点的速度变化进行预测，给交通预测带来了可观的精度提升。除了交通预测任务，其他时空预测任务也有相似的时间依赖性和动态时空相关性。所以，本文提出的动态时空图卷积模型DGCN也可以针对其他应用场景进行拓展，比如：神经科学、气候、推荐系统的偏好预测等等，具有重要的实际意义。
作者：	全佳越
专业：	应用统计硕士
导师：	张立文
授予学位：	硕士
授予学位单位：	上海财经大学
学位年度：	2022