[发明专利]一种基于自适应空间自注意力图卷积的交通预测方法

说明书

一种基于自适应空间自注意力图卷积的交通预测方法属于交通领域和深度学习领域，提出一种自适应空间自注意力图卷积网络(ASSAGCN)用于交通预测。ASSAGCN的由2个残差块堆叠而成。每个残差块由一个图卷积模块(GCN)、一个多头空间自注意力模块(MHSSA)、一个门控融合模块(GF)和一个多感受野空洞因果卷积模块(MRDCC)构成。其中GCN基于连通性对路网的局部空间相关性进行建模；MHSSA用于捕获路网的隐含空间相关性，同时还能从全局聚合各个节点的信息；GF对GCN和MHSSA的输出进行融合；MRDCC用于建模时间相关性。输入层采用一个简单的全连接层将输入映射到一个高维空间提高模型的表达能力，输出层采用2个1×1的卷积层。本发明能够捕获到路网中潜在的空间相关性，适应路网结构的动态变化。

技术领域

本发明属于交通领域和深度学习领域，具体涉及交通状况预测。

背景技术

随着智能交通系统的快速发展，城市交通预测越来越受到人们的关注。准确、及时的交通预测，有助于出行者合理地规划出行路线，也有助于缓解交通拥堵，提高交通运行效率，对城市交通规划、交通管理和交通控制具有重要意义。然而，由于交通数据表现出复杂的时空相关性，交通预测问题一直是交通领域中一个具有挑战性的研究课题。

作为一种典型的时空预测问题，交通预测已经被研究了几十年。早期的交通预测方法主要是基于统计模型或简单的机器学习模型。统计模型中最具代表性的方法是自回归综合移动平均法(ARIMA)、向量自回归法(VAR)和卡尔曼滤波(KF)，这些方法依赖于序列数据的平稳假设，然而在现实中这种假设往往是不成立的。此外，这些方法忽略了路网的空间相关性，因此预测精度较低。机器学习模型中最具代表性的方法包括K最近邻法(KNN)和支持向量回归(SVR)，这些方法的预测性能很大程度上依赖于特征工程，而且没有考虑交通数据的空间相关性，不能充分挖掘大量交通数据之间复杂的时空模式，极大地限制了它们的性能。

近年来，深度学习在许多具有挑战性的学习任务中取得了突破性进展，受到这些工作的启发，越来越多的研究者将深度学习应用于交通预测中。Yu等人使用深度信念网络(DBN)进行短期交通速度预测；Jia等人提出了一种DBN与多层感知器(MLP)结合的速度预测模型；Lv等人采用堆叠自动编码器(SAE)提取交通特征，用于交通流预测。循环神经网络(RNN)及其变体(LSTM,GRU)也常被用于时间序列预测问题。Yan等人使用长短期记忆网络(LSTM)对66个路段的交通速度进行建模，然后利用该模型预测每个路段的出行时间；Fu等人使用门控循环单元(GRU)来预测短期交通流。然而，这些模型将来自不同道路的交通序列视为独立的数据流，没有利用交通数据中的空间信息，预测精度不高。为了同时捕获到交通数据的时间相关性和空间相关性，研究者们将循环神经网络(RNN)和卷积神经网络(CNN)相结合。Ma等人将交通数据当作图像来处理，利用CNN建模空间相关性，并利用RNN建模时间相关性。Yu等人将CNN与LSTM结合用于交通速度预测。然而，CNN只适合于处理欧式空间中的数据(如图像、视频等)，而交通数据是一种典型的图结构数据，CNN不能有效地对交通路网的复杂拓扑结构进行建模。近几年图卷积神经网络(GCN)已经成为一个越来越活跃的研究领域，GCN将卷积算子从欧式空间的数据推广到图结构数据，在分子特征提取、人体动作识别、文本分类、点云分类等许多领域都取得了显著的效果。考虑到路网的图结构，一些研究者们利用GCN对路网的拓扑结构进行建模。Li等人提出了扩散卷积用于捕获空间相关性，为了同时捕获到时间相关性，他们用扩散卷积代替GRU中的全连接层，并采用机器翻译中的seq2seq结构进行交通速度预测。尽管取得了比较好的预测效果，但是循环神经网络在计算下一时刻的隐含状态时需要用到上一时刻的隐含状态，不便于并行计算，模型训练非常耗时，而且用seq2seq结构进行多步预测在解码阶段采用的是一种step-by-step的方式，这会造成误差积累。为了克服循环神经网络计算速度慢的问题，Yu等人提出了时空图卷积网络(STGCN)，将谱图卷积和1D卷积相结合，利用1D卷积建模时间相关性，虽然提高了计算速度，但普通的1D卷积没有考虑到输入序列时间上的先后顺序，而且采用的是预定义的邻接矩阵，无法对隐含的空间相关性进行建模。最近Wu等人提出了GraphWaveNet，他们采用可学习的邻接矩阵建模隐含的空间相关性，在建模时间相关性方面，他们采用空洞因果卷积，不仅增大了感受野而且考虑了输入时间序列的顺序。尽管取得了比较好的预测效果，但这种可学习的邻接矩阵在模型训练完成后便固定下来了，无法适应路网拓扑结构的动态变化。