基于图神经网络的交通流量预测方法研究

车兴亮,熊 文

(云南师范大学 信息学院,云南 昆明 650000)

0 引言

近年来,随着全球城市化进程的不断加速,城市交通管理遭遇了前所未有的挑战。在此背景下,智能交通系统(Intelligent Traffic System,ITS)应运而生。这一系统不仅是现代智慧城市建设中的关键组成部分,还是确保交通流畅、减少拥堵、提高道路使用效率的重要工具。其中,交通流量预测是智能交通系统中至关重要的一个环节。只有准确预测未来的交通流量,相关部门才能采取必要的策略和措施,如合理调度交通信号灯、建议驾驶者选择的最佳路线等,从而有效减少交通拥堵和事故。

交通流量预测的主要难点在于交通数据的时空依赖关系复杂而又变化不定。很多研究已经证明,深度学习方法在捕捉这些时空关系上具有明显的优势。其中,卷积神经网络(Convolutional Neural Networks,CNN)和回归神经网络(Recurrent Neural Network,RNN)是最初的解决方案,主要用于捕获空间和时间依赖性。然而,随着研究的深入,人们发现图形神经网络(Graph Neural Network,GNN)更适合模拟交通数据的潜在图结构,因为交通数据实际上呈现出网络状结构,如道路网、交通节点等。

其中,Wu等[1]提出的GraphWavenet是近年来在交通流量预测领域的一个里程碑式的作品。它结合了门控时间卷积网络(Temporal Convolutional Network,TCN)[2]和图卷积网络(Graph Convolution Network,GCN)[3],从而更有效地捕捉时空依赖关系。尽管Graph WaveNet的效果已经非常显著,但仍然存在一些优化空间。

本文在Graph WaveNet的基础上进行了进一步的研究。本文沿用了其图生成模块,同时引入了时间卷积、图卷积以及门控线性单元的时空块,目的是更细致地捕捉时空关系。通过在PEMS数据集上的实验测试,本文方法在预测准确性上优于Graph WaveNet,证明了本文方法的有效性。

1 方法

本节内容分为2个部分,分别是问题定义和模型方法。问题定义部分将深入探讨交通流量预测的各个要素:交通传感器、交通网络、交通信号和交通预测的定义。而模型方法则包括:模型的整体结构和具体模块的作用、原理的介绍。

1.1 问题定义

定义1 交通传感器。交通传感器是部署在交通系统(如道路网络)中的传感器,它记录交通信息(如过往车辆的流量或车速)。

定义2 交通网络。交通网络是一个有向或无向图G=(V,E),其中V是|V|=N个节点的集合,每个节点对应于一个部署的传感器,E是|E|=M条边的集合。节点之间的可达性,表示为邻接矩阵A∈RN×N,可以根据节点间成对的路网距离得到。

定义3 交通信号。交通信号Xt∈RN×C表示在时间步长t时对交通网络G上所有传感器的观测,其中C是传感器采集的特征数。

定义4 交通预测。给定Th时间步长的历史交通信号X=[Xt-Th+1,…,Xt]∈RTh×N×C交通预测的目的是预测未来交通信号Y=[Xt+1,…,Xt+Tf]的Tf最近的未来时间步长。

1.2 模型方法

模型的总体架构如图1所示,其设计思路是高效并精确地预测交通流量。该模型主要由图生成模块和3个堆叠的时空块组成,图生成模块通过参数学习的方式生成用于表示传感器之间关系的邻接矩阵,时空块由3个部分组成,分别是时间卷积、图卷积和门控线性单元。

1.2.1 图生成模块

图生成模块的核心目的是通过参数学习的方法生成邻接矩阵。邻接矩阵是一个二维数组,用于表示传感器之间的关系,即每个传感器与其他传感器之间的连接关系和连接强度。本文遵循Graph WaveNet的自适应邻接矩阵学习方式来生成相应的图结构:

(1)

E1,E2∈RN×d是随机初始化具有可学习参数的2个节点嵌入,其中N表示节点数,d表示节点嵌入的维度。

1.2.2 时空块

时空块是专门为了从输入流量数据中挖掘有用时空信息而设计的,每个时空块由时间卷积层、图卷积层和门限线性单元组成。

时间卷积的主要目标是提取交通流量数据中的时间依赖性。通过使用时间卷积,模型可以识别和学习到交通流量在不同时间点的变化规律和模式。本文使用的时间卷积是卷积核大小为3的一维卷积,用于学习输入交通流量的局部时间特征:

FT=Conv(X)

(2)

FT表示通过时间卷积学习后的时间特征。图卷积负责捕捉空间关系,例如,某个交通节点如何受到其周围其他节点的影响,或者当某个路段发生拥堵时,如何影响到其他相邻或相关的路段。把时间卷积的输出FT通过卷积核为3的切比雪夫多项式图卷积学习FT的空间特征:

FST=GConv(FT)

(3)

FST表示通过图卷积学习后的时空特征。最后使用门控线性单元对时空特征FST进行最后的整合:

(∂1,∂2)=split(FST)

(4)

Foutput=∂1⊙sigmoid(∂2)

(5)

Foutput表示最终的时空块输出。

总体而言,该模型通过图生成模块有效地学习传感器之间的实际关系,而时空块则深入挖掘交通流量的时空依赖性。这种设计确保了模型在预测交通流量时既具有高效性,又具有高准确性。

2 实验

所有实验均在 NVIDIA A40 GPU 上使用Pytorch 1.11.0 完成。模型的输入流量序列数据的长度等于输出数据的长度,均为12。本文采用MAE损失来对模型进行优化,并选择Adam作为优化器。学习率设置为0.001,节点嵌入维度为10,时空块中的隐藏维度为32。在实验中,本文设置batch size为64,并进行了200个epochs的训练。最后,选用均方根误差(Root Mean Squared Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)作为评价实验结果的指标。

2.1 数据集

PEMS08是一个公共交通流量数据集,数据收集自CalTransPeMS。PEMS08包含2018年7月1日至2018年8月31日期间08区170个传感器的数据。流量信息以每5 min一次的速度记录,总共有17 833个时间片。

2.2 实验结果与分析

从表1和图2的结果可以明确观察到,本文提出的方法在交通流量预测的精确度上具有显著的优势。特别是在RMSE和MAE这2个关键的评估指标上,本方法的表现明显超越了Graph WaveNet。这2个指标都是用来衡量预测结果和实际值之间的差异的,因此它们的低值通常意味着更好的预测效果。

表1 交通流预测结果

图2 每个时间步的预测误差

更为值得注意的是,当预测的时间跨度或步长增加时,本文提出的方法的优势变得更加明显。这意味着,对于更长期的交通流量预测,该方法不仅能够保持其高准确度,而且与Graph WaveNet的比较差距也在逐渐扩大。这一点对于实际应用中的长期交通规划和管理而言是极为关键的。

3 结语

本文在Graph WaveNet提出的自适应图结构模块的基础上,引入了时间卷积、图卷积和门控线性单元的组合来对交通流量中的时空模式进行更深入、更细致的挖掘。与原始的Graph WaveNet相比,实验结果表明,本文提出的方法在预测准确性上具有明显的优势,这证明了在复杂的交通流量数据中,深入挖掘时空关系的重要性。