用于交通预测的时空交互动态图卷积网络
Posted AI浩
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用于交通预测的时空交互动态图卷积网络相关的知识,希望对你有一定的参考价值。
摘要
https://arxiv.org/abs/2205.08689
精确的交通预测对于城市交通控制、路线规划和流量检测都是至关重要的。虽然目前提出了许多时空分析方法,但在同步捕捉交通数据的时空依赖性方面仍有不足。此外,大多数方法都忽略了道路网络节点之间随着时间演变而产生的隐藏动态关联。我们提出了一种基于神经网络的时空交互动态图卷积网络(STIDGCN)来解决上述交通预测的挑战。具体而言,我们提出了一种交互式动态图卷积结构,该结构将交通数据按间隔分割,并通过交互式学习策略同步捕获分割后的交通数据的时空依赖性。交互式学习策略激励STIDGCN对长期预测有效。我们还提出了一个动态图卷积模块,通过一种新颖的动态图生成方法来捕获交通网络中动态变化的空间相关性。动态图生成方法基于先验知识和输入数据,生成动态图结构,可以挖掘道路网络中不可见的节点连接,模拟节点之间随时间的动态关联。在四个真实的交通流数据集上的大量实验表明,STIDGCN优于最先进的基线。
简介
借助从道路、出租车、私家车轨迹、公共交通交易记录等传感器收集到的海量城市交通数据,大交通数据分析已成为智慧城市发展[1]中交通规划、控制和状态评估不可或缺的一部分。交通预测是利用观测到的历史交通数据对城市动态进行预测,是流量控制、路线规划、流量检测等交通服务的关键。准确的交通预测有助于减少道路拥堵,促进交通路网的城市管理,甚至提高交通效率。
尽管在过去的几十年里,交通预测一直是一个活跃的研究热点,人们在这一领域做了大量的研究来提高预测性能,但它仍然面临着一些挑战。交通数据是具有复杂时间相关性和动态空间相关性的时空数据。城市交通数据作为一种时间序列数据,具有特定的周期性和趋势,如早晚高峰。有效地捕捉周期性和趋势需要能够准确捕捉产出和投入之间长期依赖关系的模型。因此,这些复杂的时间相关性使得长期预测交通数据变得困难。例如,当使用过去12时步的观测交通数据预测未来12时步的数据时,通常准确预测第9 -12时步的数据比预测第1 -3时步的数据要困难得多。如图1所示,由于路网交通流的错综复杂,交通数据的动态空间相关性也是多样化的。图1a显示,交通状况可以在空间上相互影响并动态变化。例如,某一路段发生意外,会影响邻近路段的交通状况。此外,同一路段上不同方向的车流也可能表现出不同的行为。
交通动态中还存在一些隐藏的空间相关性,这些相关性来源于空间异质性、动态关联和不确定性。这种隐含的空间相关性也给交通预测带来了挑战。如图1b所示,空间异质性意味着不同的区域(例如。(包括住宅区和商圈)的交通模式不同,因为它们有不同的特点,例如道路类型、道路宽度、公共交通指标等。动态关联是由流量产生的节点间的时变关联。这种关联可以从历史交通数据和路网结构中得到。不确定性是指事件对交通状况的影响,如天气变化、节假日和突发事件。
为了有效地捕捉时空相关性,采用了一些基于深度学习的方法。空间相关性和时间相关性在交通预测中得到了广泛的研究。如表1所示,一些方法分别捕获时间相关性和空间相关性,并将它们串联或并行组合。这些方法可能会削弱捕获的时空相关性,甚至放大一些不重要的特征。其他一些最近的方法试图通过将空间模块嵌入到时间模块中来同步捕获空间和时间依赖性,这对模型有积极的贡献。然而,这些方法中使用的时空模块在交通数据之间的时空信息交互学习方面受到限制,影响了模型对序列周期性和趋势的感知。
为了捕捉隐藏的空间相关性,许多当前的研究通过定义各种邻接矩阵来绘制更深层次的图结构。如表1所示,这些研究通过定义自适应邻接矩阵或组合多个邻接矩阵来捕获隐藏的空间相关性。然而,这些方法并没有充分利用历史交通数据。尽管自适应邻接矩阵可以发现图节点之间的隐式关系,从而增强模型对空间异质性的捕捉,但随着模型训练的停止,它将是固定的。它不能模拟图节点之间随时间变化的动态关联。因此,这些方法仍然不足以有效地捕获隐藏的空间相关性。利用历史流量数据和初始邻接矩阵可以进一步探讨节点间随时间的动态关联。
基于以上考虑,我们提出了一个时空交互动态图卷积神经网络(STIDGCN)来探讨输入数据与路网动态相关性之间的相互作用。我们设计了一个交互式动态图卷积网络来捕捉交通数据的时空依赖性。STIDGCN将图卷积模块嵌入到交互式学习结构中,可以同步捕获交通数据的时空相关性。该结构利用时间序列的趋势性,以间隔对序列进行划分。划分的子序列之间的交互学习探索了时空数据之间潜在的关联。为了有效地捕获隐藏的空间相关性,我们提出了一种动态图卷积网络,该网络通过动态图生成方法充分利用已有的先验知识(图结构、历史数据)。
这项工作的贡献概括如下:
-
提出了一种新的时空模型STIDGCN,该模型将图卷积嵌入到交互式学习结构中。它能够同步捕获时间和空间相关性。通过交互式学习结构和动态图卷积网络可以学习时空依赖性,从而实现有效的远程预测。
-
通过动态图生成方法,提出了一种动态图卷积网络。动态图由自适应和可学习邻接矩阵融合生成,其中自适应邻接矩阵发现空间异质性,可学习邻接矩阵模拟节点之间的动态关联。
-
在之前工作中的四个真实数据集上进行了大量实验。实验结果表明,与基线模型相比,我们的模型具有最先进的性能。
本文的其余部分组织如下:问题定义和相关工作在第2节中阐述。提出的方法将在第3节中详细说明。第四节给出了实验结果和分析。最后,在第5节中得出结论。
结论
在本文中,我们提出了一个使用交互式学习策略的动态图生成模型STIDGCN。具体来说,我们将动态GCN模块嵌入到交互式学习结构中,以同步捕获时空依赖性。交互式学习策略的应用场景是具有一定周期性和趋势性的时间序列预测。我们提出了一个DGCN模块来模拟动态空间相关性,即使用输入的时空信息生成动态图结构,并与预先定义的初始邻接矩阵协同工作。DGCN模块探索道路网络中不可见的节点连接,以捕获隐藏的空间相关性,并模拟节点之间随时间产生的动态相关性。在四个真实数据集上的实验表明,同步学习和动态图形生成对于时空预测是必不可少的。我们提出的模型优于最先进的基线。在交互学习中,特征学习在个体序列中均匀分布。然而,数据之间的相关性并不总是均匀分布的。因此,我们认为在互动学习中使用注意机制是一个很好的改进方案。
以上是关于用于交通预测的时空交互动态图卷积网络的主要内容,如果未能解决你的问题,请参考以下文章
交通预测论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》