[发明专利]一种基于残差连接与时空分解的交通流量预测方法和系统

说明书

本发明公开了一种基于残差连接与时空分解的交通流量预测方法和系统，它通过对时空依赖进行了解耦，分别产生空间部分预测和时间部分预测，最终以相加的方式聚合，形成最终的预测结果，避免了时间维度和空间维度采用统一隐藏表征可能导致的虚假依赖；另一方面，本发明将逐层分解引入到模型架构中来，流量数据在模型中逐层分解为若干个可预测的组件，有助于建立对数据的理解，从而更容易做出未来的预测；最后，本发明通过引入时间标识和空间标识，丰富了流量特征信息，有助于缓解异质性问题。

技术领域

本发明涉及智慧交通技术领域，具体为一种基于残差连接与时空分解的交通流量预测方法和系统。

背景技术

交通流预测任务在智慧交通领域起着重要的作用，预测任务中的交通数据一般来自于路网系统中设置的传感器，它以一定的时间间隔收集路段的交通特征信息(如平均速度)。

传统的预测建模方法主要是对交通流量数据的时间特征进行建模，针对历史数据进行统计分析(如Historical Average，HA)或根据统计学、概率学等理论建立参数化模型(如Autoregressive Integrated Moving Average model，ARIMA)，这类模型在数学上比较容易表达，但是此类模型受到平稳性假设的局限，难以适应现实场景中交通流量序列受到各种不同因素的影响。随着计算机硬件设备和优化算法的进步，人工智能的各项技术也开始被用于交通流量的预测建模分析，相较于传统预测模型在非线性的时间序列预测问题上的局限性，神经网络具有很强的学习能力，可以从非常复杂的数据集中提取出最为有用的特征，能够适应交通流量中的非线性和突变性。具体来说，节点的流量模式既受到节点自身历史流量的影响，呈现出典型的时间模式，又受到相邻节点流量变化的影响，具有典型的空间模式。近年来，越来越多的研究开始利用深度神经网络对交通流量的时空相关性进行建模。

卷积神经网络(Convolutional Neural Network，CNN)和图卷积网络(GraphConvolutional Networks，GCN)主要被用于学习相邻节点之间的空间相关性；其中基于CNN的方法将城市划分为不同的网格，难以适用于非网格化的流量预测；GCN可以直接操作图结构的流量数据，更加适合捕获具有非欧几里得特性的基站拓扑结构。序列模型，如循环神经网络(Recurrent Neural Network,RNN)及其变体长短期记忆网络(Long Short TermMemory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)，时间卷积网络(TemporalConvolutional Network，TCN)等可以处理沿着时间方向演进的序列数据，尝用来处理时间相关性。近年来，随着Transformer在自然语言处理与计算机视觉领域获得的巨大成功，部分工作也尝试引入自注意力机制来提高模型对于长期依赖的学习能力。

为了捕获流量数据中的时空特性，一些基于图的深度学习模型顺序的学习空间依赖和时间依赖，如STGCN，它由若干个时空卷积块组成，其中每个时空卷积块中由两个时域卷积和一个空域卷积组成“三明治”结构，历史流量数据组成的特征向量顺序的经过时域卷积层和空域卷积层，依次对时间相关性和空间相关性进行学习。一些模型将图卷积和序列模型结合以同时学习流量信号的时间和空间相关性，如DCRNN，它将GRU中的矩阵乘法替换为扩散卷积，从而使得序列模型能够处理图数据。一些模型通过构造新的时空图，尝试同步捕获时空相关性，如STSGCN通过将相邻时间步长的单个空间图连接成一个图来构造局部时空图，并在局部时空图上执行卷积操作。但是，这些方法将图卷积与时间序列学习纠缠在一起，这可能导致冗余信息和捕获虚假相关性。Oreshkin等人提出了一种通过多层全连接进行时间序列分解，每层拟合时间序列部分信息的模型。

现有的基于深度学习方法的时空流量数据预测模型具有以下几点不足：

1.对于时间依赖和空间依赖，采用统一的隐藏表征，可能引入冗余的信息和虚假依赖。

2.流量模式复杂，难以从原始流量数据中挖掘出隐藏的依赖关系。