详情

原文传递基于图卷积神经网络的交通流预测方法研究

论文题名：	基于图卷积神经网络的交通流预测方法研究
关键词：	交通流预测;神经网络;动态图卷积;自注意力机制;时间序列聚类
摘要：	随着社会的发展，汽车的数量不断增加，交通拥堵逐渐成为阻碍现代城市发展的主要问题之一。交通流数据记载了一段时间内，通过道路不同断面的交通实体数，对其进行实时准确的预测对于改善交通拥堵问题起着重要作用，但由于交通系统的强动态性和复杂性，很难得到一个相对准确的预测值。因此，研究交通流预测理论和方法对于更好地发挥城市交通路网的性能具有重要意义。　　现今，循环神经网络（RecurrentNeuralNetworks，RNNs）凭借其记忆功能，迅速在时间序列预测方法中占据了重要比重，也是捕获交通流数据时间特性的基本方法之一。图卷积神经网络（GraphConvolutionalNetwork,GCN）出现后，凭借其处理拓扑网络结构的优势，被广泛应用于捕获交通流数据的空间特性。RNNs与GCN的结合也因此成为综合时空层面进行交通流预测的常用手段，但对长时预测的需求、邻接关系的缺失等给交通流预测任务带来了新的挑战，现有模型无法深入挖掘交通流时间序列间复杂的空间相关性和动态的时间相关性，往往达不到需要的预测精度。基于此，本文综合利用图卷积、一维卷积、注意力机制等深度学习方法构建交通流预测模型并进行实验验证，实验结果表明最终提出的交通流预测模型取得了优于基准模型的预测效果。　　本文的主要研究工作和创新点如下。　　1）针对传统交通流预测方法无法深入捕获交通数据时空特性的问题，提出了一种基于图卷积与序列到序列结构（SequenceToSequence,Seq2seq）的交通流预测模型。首先利用基于时序相似性的图卷积计算各交通流序列间的相关度以建模空间依赖，然后利用由门控循环单元（GatedRecurrentUnit,GRU）组成的Seq2seq模型建模时间依赖。最后针对数据集存在较多误差数据的情况将改进的损失函数用以模型训练，以改善模型的过拟合问题，增加模型的鲁棒性。选取数据集进行实验，验证该模型对于交通流预测具有改良效果。　　2）针对循环神经网络不能并行计算与传统图卷积无法充分利用交通数据空间信息的问题，提出了一种基于k-shape聚类和时空图卷积神经网络的交通流预测模型。首先利用k-shape聚类算法对交通流时间序列进行聚类以计算语义邻接关系，进而将语义邻接关系与空间邻接关系融合得到复合邻接关系并应用注意力机制得到最终的邻接矩阵。在得到邻接矩阵后，将其与交通数据一同输入堆叠的时空卷积模块，通过门控时间卷积与图卷积捕获交通数据的时空特征，进而得到最终的预测结果。选取数据集进行实验，并和已知的交通流预测方法进行对比，验证该模型对于交通流预测具有改良效果。　　3）固定的邻接矩阵无法捕获交通序列间的动态相关性，自注意力机制在感知长期依赖方面表现出突出的优势。基于此，提出了一种基于卷积自注意力机制与动态图卷积网络的交通流预测模型，首先将基于节点相似性生成的动态拉普拉斯矩阵用于图卷积，以深度挖掘节点之间的空间相关性；进而通过卷积神经网络捕获局部时间相关性，通过自注意机制捕获长期时间相关性。此外，为改善图融合和深层网络的过平滑问题，通过特殊的组合方式引入了自回归模块，增强了模型对输入数据非周期变化的感知。也就是说，在交通流预测中，本模型不仅考虑了多个时间序列之间的动态关系，还考虑了单个时间序列的长期、短期、周期性和非周期性变化。为本模块选取四个经典数据集进行模拟实验，并和已知的交通流预测方法进行对比，验证了该模型对于交通流预测具有改良效果。
作者：	吴万鹏
专业：	控制科学与工程
导师：	周武能
授予学位：	硕士
授予学位单位：	东华大学
学位年度：	2023