一种用于交通预测的自适应时空图神经网络_甘萍.pdf
《一种用于交通预测的自适应时空图神经网络_甘萍.pdf》由会员分享,可在线阅读,更多相关《一种用于交通预测的自适应时空图神经网络_甘萍.pdf(7页珍藏版)》请在咨信网上搜索。
1、第4 3卷 第1期桂 林 电 子 科 技 大 学 学 报V o l.4 3,N o.1 2 0 2 3年2月J o u r n a l o f G u i l i n U n i v e r s i t y o f E l e c t r o n i c T e c h n o l o g yF e b.2 0 2 3收稿日期:2 0 2 2-0 3-0 5基金项目:国家自然科学基金(6 1 9 6 6 0 0 7);广西自然科学基金(2 0 2 0 G X N S F A A 1 5 9 1 0 5);广西无线宽带通信与信号处理重点实验室基金(G X K L 0 6 1 9 0 2 0 4,
2、G X K L 0 6 2 0 0 1 1 6,G X K L 0 6 1 9 0 1 1 7);认知无线电与信息处理教育部重点实验室基金(C R K L 1 8 0 2 0 1,C R K L 1 8 0 1 0 6)通信作者:林基明(1 9 7 0-),男,教授,博士,研究方向为无线通信、移动通信。E-m a i l:l i n j mg u e t.e d u.c n引文格式:甘萍,林基明,农丽萍,等.一种用于交通预测的自适应时空图神经网络J.桂林电子科技大学学报,2 0 2 3,4 3(1):7-1 3.一种用于交通预测的自适应时空图神经网络甘 萍1,林基明1,2,农丽萍2,3,王俊义
3、1(1.桂林电子科技大学 信息与通信学院,广西 桂林 5 4 1 0 0 4;2.西安电子科技大学 通信工程学院,西安 7 1 0 0 7 1;3.广西师范大学 物理科学与技术学院,广西 桂林 5 4 1 0 0 4)摘 要:针对以往复杂的神经网络构架在空间维度上所采用的预定义图结构未包含完整交通数据空间信息,且在时间维度上不能很好地捕获交通数据长期依赖关系的问题,提出一种新的时空图神经网络。通过自适应图卷积网络(A G C N)自动捕获节点的特定状态以及自动推断不同节点之间的相互依赖关系,提取更完整的交通数据空间特征,再通过时空长短期记忆网络(S T-L S TM)中的时间记忆模块来提取交通
4、数据的时间特征,捕获短中长期的时间依赖关系。在P e M S D 4和P e M S D 8数据集上进行了验证,实验结果表明,所提网络相比基线模型能够更好地提升交通预测性能。关键词:交通预测;自适应图卷积网络;时空相关性;时空图神经网络;长短期记忆网络中图分类号:T P 3 9 1 文献标志码:A 文章编号:1 6 7 3-8 0 8 X(2 0 2 3)0 1-0 0 0 7-0 7A n a d a p t i v e s p a t i o-t e m p o r a l g r a p h n e u r a l n e t w o r k f o r t r a f f i c p
5、r e d i c t i o n G A N P i n g1,L I N J i m i n g1,2,N O N G L i p i n g2,3,WA N G J u n y i1(1.S c h o o l o f I n f o r m a t i o n a n d C o mm u n i c a t i o n,G u i l i n U n i v e r s i t y o f E l e c t r o n i c T e c h n o l o g y,G u i l i n 5 4 1 0 0 4,C h i n a;2.S c h o o l o f T e l
6、e c o mm u n i c a t i o n E n g i n e e r i n g,X i d i a n U n i v e r s i t y,X i a n 7 1 0 0 7 1,C h i n a;3.C o l l e g e o f P h y s i c s a n d T e c h n o l o g y,G u a n g x i N o r m a l U n i v e r s i t y,G u i l i n 5 4 1 0 0 4,C h i n a)A b s t r a c t:F o r t h e p r o b l e m t h a t
7、 t h e n e u r a l n e t w o r k c a n t c a p t u r e t h e l o n g-t e r m t r a f f i c i n f o r m a t i o n i n t h e s p a t i a l d i m e n s i o n,t h e n e w n e u r a l n e t w o r k s t r u c t u r e p r o p o s e d i n t h e p a s t c a n t c a p t u r e t h e c o m p l e x t r a f f i c
8、 d a t a i n t h e s p a t i a l d i m e n s i o n.T h r o u g h a d a p t i v e g r a p h c o n v o l u t i o n a l n e t w o r k,t h e s p e c i f i c s t a t e o f n o d e s i s a u t o m a t i c a l l y c a p t u r e d a n d t h e i n t e r d e p e n d e n c e b e t w e e n d i f f e r e n t n o
9、 d e s i s a u t o m a t i c a l l y i n f e r r e d t o e x t r a c t t h e c o m p l e t e s p a t i a l f e a t u r e s o f t r a f f i c d a t a.T h e n,t h e t i m e c h a r-a c t e r i s t i c s o f t r a f f i c d a t a a r e c a p t u r e d b y t h e t i m e m e m o r y m o d u l e i n t h e
10、 s p a t i o-t e m p o r a l s h o r t-t e r m m e m o r y n e t w o r k,a n d t h e s h o r t,m e d i u m a n d l o n g-t e r m t i m e d e p e n d e n c e i s s i m u l a t e d.K e y w o r d s:t r a f f i c f o r e c a s t;a d a p t i v e g r a p h c o n v o l u t i o n n e t w o r k;s p a t i o-t
11、 e m p o r a l c o r r e l a t i o n;s p a t i o-t e m p o r a l g r a p h n e u r a l n e t w o r k;l o n g-s h o r t t e r m m e m o r y n e t w o r k 城市化发展对城市交通的流通性和可持续性带来了巨大挑战,有效解决交通问题的智能交通系统(I T S)1是目前被广泛关注的研究领域。交通预测作为智能交通系统的一个重要组成部分,不仅为城市交通规划提供科学依据,还在城市交通调度和交通管理中起着至关重要的作用,提高了智能交通系统的决策效率2。交通预测任
12、务的实现同时也离不开数据处理、计算机算法、网络优化等技术的支撑。因此,探索高效、实用的交通预测方法不仅能促进多学科之间的交叉应用和发展,而且也成了相关研究领域的热门研究对象,在实际应用中具有非常重要的现实意义。交通预测是时空预测中的一个典型研究问题,其中交通数据存在着复杂的时空相关性,这使得交通预DOI:10.16725/45-1351/tn.2023.01.010桂林电子科技大学学报2 0 2 3年2月测任务非常具有挑战性,例如,预测交叉路口未来某时刻的交通状况(交通流量、交通速度和道路占用率等)。通常根据预测时间的长短,交通预测任务可分为短期预测(53 0 m i n)和中长期预测(3 0
13、6 0 m i n)3。在时间维度上,一条道路此刻的交通状况可能在不久的将来影响该条道路或者其他道路的交通状况。在空间维度上,不同道路之间的交通状况可能会相互影响。因此,研究人员对捕获交通数据时空相关性方面进行了广泛研究。传统方法通过部署时间序列模型进行交通预测,如向量自回归模型(V A R)4、自回归集成移动平均模型(A R I MA)5、卡尔曼滤波6等。然而,这些方法依赖于理想的平稳假设,无法捕捉真实交通动态中大规模交通数据之间的非线性或者复杂的时空相关性。近年来,研究人员转向于研究基于深度学习的方法,通过设计新的神经网络构架来捕捉交通数据的时空相关性,以弥补传统方法的不足,如用于捕获时间
14、依赖性的循环神经网络(R N N)7及其变体(长短期记忆网络(L S TM)和门控循环单元(G R U)8)或一维卷积神经网络,与用于捕获空间依赖性的卷积神经网络(C N N)9相结合来共同捕获交通数据的时空相关性。但这些方式通常适用于欧几里德数据1 0,如图像、网格等,在具有非欧几里德结构的交通网络上仍存在局限性。于是,为了克服上述局限,捕获网络结构特征的图卷积网络(G C N)1 1得到了迅速发展。在图卷积网络中,交通网络被建模成图结构,图中的节点表示交通传感器,边表示传感器之间的连通性,边权值表示传感器之间的欧氏距离。D C R N N1 2、S T G C N1 3、A S T G C
15、 N1 4、T-G C N1 5等模型通过图神经网络来捕获交通数据的空间依赖性,并通过循环神经网络或卷积神经网络来捕获时间依赖性。这些方法在一定程度上提高了交通预测的精度,但却存在以下问题:1)这些方法采用预定义的图结构1 6,而预定义的图结构未包含完整的空间依赖信息,例如由于交通数据在采集过程中的连接不完整,使部分节点缺少真正的关联;2)网络模型参数空间共享,而不同道路的交通状况不同,共享参数空间使得模型无法很好地捕捉细粒度的特定交通状况(如某段道路封闭或者发生事故);3)短期预测与长期预测的性能相差较大,不能很好地进行长期预测。A G C R N1 7通过自适应图卷积网络(A G C N)
16、与G R U相结合的方式来解决空间维度上使用预定义图结构以及共享参数空间所带来的问题,但其在时间维度上并不能很好地处理长序列,即在长期预测方面稍有欠缺。针对上述问题,设计了一种用于交通预测的自适应时空图神经网络,主要工作概括为利用包含自适应邻接矩阵和自适应节点参数的空间卷积模块提取空间特征。自适应邻接矩阵自动学习节点间的相互依赖关系,捕捉数据中隐藏的空间关系,自适应节点参数根据节点嵌入从所有节点共享的权重和偏差中生成,以捕获特定节点模式;采用时空长短期记忆网络(S T-L S TM)中时间记忆模块来捕获时间特征,增强长序列处理能力;在2个公开的P e M S D 4、P e M S D 8交通
17、流量数据集上,与多个基线模型进行对比验证,实验结果表明,本模型能够更好地捕获交通数据时空相关性。1 网络模型1.1 交通预测问题在交通流预测任务中,通过历史流量数据对未来某时段内的交通流量进行多步预测。交通流量指固定时段内道路某位置通过的车辆数,作为交通数据特征之一,是控制车流和道路规划的重要指标。历史交通数据可表示为交通网络上的时间序列。交通网络可用图的形式表示:G=(V,E,A),V为图中的节点集合,即路网中的传感器,E为节点间边的集合,反映了传感器所在道路间的连通性,ARNN为图G的邻接矩阵,当节点vi,vjV 且边(vi,vj)E时,邻接矩阵A中的元素Ai j=1,否则为0。每个时间步
18、长t,图G都有一个表示节点属性的特征矩阵X(t)RND,即图信号。给定图G和历史时间步长为S的图信号,交通预测问题可表示为通过学习一个映射函数f,预测未来T步长的交通流量,映射关系为X(t+1):(t+T)=fX(t-S):t,G,其中,X(t-S):tRNDS,X(t+1):(t+T)RNDT。1.2 空间卷积模块空间卷积模块为自适应图卷积网络,主要包括自适应邻接矩阵和自适应节点参数。其中自适应邻接矩阵通过自动学习节点间的相互依赖关系来捕捉交通数据中隐藏的空间关系;自适应节点参数从所有节点共享的权重池和偏置中生成,以捕获特定节点模式。二者相结合构成的自适应图卷积网络能够获取数据更完整的空间特
19、征。1.2.1 自适应邻接矩阵预定义的图结构未包含完整的空间依赖性信息,这可能会导致预测结果出现偏差,而自适应邻接矩阵无需任何先验知识,能从输入数据中自动推断出隐藏8第1期甘 萍等:一种用于交通预测的自适应时空图神经网络的空间依赖关系,借鉴文献1 7 中提取空间特征的思路来捕获交通流数据完整的空间相关性。对自适应邻接矩阵部分,首先,为所有节点随机初始化一个可学习的节点嵌入向量EARNfe,再通过EA、ETA来推断每对节点之间空间依赖关系。因此,归一化后的自适应邻接矩阵可表示为A=D-12A D-12=S o f t m a x(R e L U(EAETA),其中:EA的每行表示一个节点嵌入;N
20、为节点数;fe为节点嵌入的维度;度矩阵DRNN为对角矩阵;ARNN为图的邻接矩阵;R e L U为激活函数,S o f t m a x函数对自适应邻接矩阵进行归一化。在模型训练过程中,EA通过自动更新来学习不同流量序列之间的隐藏依赖关系,同时获得图卷积的邻接关系。1.2.2 自适应节点参数在交通网络中,仅捕获节点间的共享模式对于交通预测是不够准确的。因为路网结构中2个相邻节点的特征可能由于其特定属性,如天气、事故等,而在某个特定时间段呈现不同的交通情况,或者2个不相邻节点的特征呈现相反的情况。因此,有必要为每个节点设定独立的参数空间来学习特定节点模式。一般的图卷积网络(G C N)9运算方式为
21、Z=(IN+D-1/2A D-1/2)X+b,其中:XRNC为输入;C为特征数;ZRNF为输出;F为输出维度;RCF和bRF分别为可学习的权重和偏差。对自适应节点参数部分,分别定义一个节点嵌入矩阵EGRNf和权重池WGRfCF,f为嵌入维度,且fN,=EGWG。该过程可看作从所有流量序列的一组候选模式中学习节点特定模式,即节点嵌入EiG从大型共享权重池WG中获取节点i的参数i,b的操作相同。采用自适应节点参数的G C N公式:Z=(IN+D-12A D-12)X EGWG+EGbG。1.3 时间卷积模块时间特征的提取采用时空长短期记忆网络(S T-L S TM)的时间记忆模块。通过卷积层取代L
22、 S TM中各个门的线性操作,类似于C o n v L S TM,这种时间特征提取方式能更好地处理非线性的时空序列数据,解决梯度消失/爆炸问题,增强长序列处理能力,提高模型长期预测性能。gt=t a n h(Wx g*Xt+Wh g*Hlt-1+bg),it=(Wx i*Xt+Wh t*Hlt-1+bi),ft=(Wx f*Xt+Wh f*Hlt-1+bf),Clt=ftClt-1+itgt,ot=(Wo*Xt;Hlt-1;Clt;),Hlt=ot t a n h(W1 1*Clt;)。其中:Clt为t时刻l层的时间信息记忆单元;gt、it为输入门,选择性记录新信息到记忆单元;ft为遗忘门,根
23、据数据特征的重要性选择前一时刻记忆单元Clt-1中的关键信息保留至当前记忆单元Clt;ot为输出门,输出所需要的信息;Hlt为t时刻l层的输出信息;*为卷积操作;为哈达玛积;为自适应图卷积捕获的空间特征信息。1.4 模型框架自适应图卷积长短期记忆网络模型(A G C-L S TM)如图1所示,A G C N模块进行空间特征的提取,Mlt为t时刻l层的空间信息记忆单元。将时间记忆和空间记忆使用共享的输出门ot,实现了无缝记忆融合,可有效地对时空序列数据的变化进行建模。整个网络模型可表示为gt=t a n h(Wx g*Xt+Wh g*Hlt-1+bg),it=(Wx i*Xt+Wh t*Hlt-
24、1+bi),ft=(Wx f*Xt+Wh f*Hlt-1+bf),Clt=ftClt-1+itgt,A=S o f t m a x(R e L U(EAETA),Mlt=AX;Ml-1tE Wx m+E bx m,ot=(Wo*Xt;Hlt-1;Clt;Mlt),Hlt=ot t a n h(W1 1*Clt;Mlt)。通过堆叠多层A G C-L S TM,捕获特定节点的时空模式,实现多步流量预测,即输入历史数据HRNm,通过网络模型将RNm映射到RN来直接获得所有节点未来步长的交通流量。采用L 1损失函数作为模型训练目标,L(W)=i=t+i=t+1X:,i-Y:,i,其中:W为网络中所有可
25、训练的参数;X:,iRN 1为第i个时间步的真实值;Y:,iRN 1为第i个样本的预测值。2 实验探究2.1 实验设置为了验证所提模型的优越性,在P e M S D 41 4和P e M S D 81 7数据集上进行实验验证。P e M S D 4数据集收集了2 0 1 8年1月1日至2 0 1 8年2月2 8日旧金山湾区3 0 7个交通监测器所监测的交通流量信息,P e M S D 8数据集收集了2 0 1 6年7月1日至2 0 1 6年89桂林电子科技大学学报2 0 2 3年2月图1 网络模型A G C-L S TM月3 1日圣贝纳迪诺地区1 7 0个环路探测器收集的交通流量信息,交通流量
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 用于 交通 预测 自适应 时空 神经网络 甘萍
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。