交通物流模型 | 基于交通圖卷積長短時記憶網(wǎng)絡的網(wǎng)絡級交通流預測

由于道路網(wǎng)絡時變的交通模式和復雜的空間依賴性，交通流預測是一個具有挑戰(zhàn)性的時空預測問題。為了克服該挑戰(zhàn)，作者將交通網(wǎng)絡看為一張圖，并提出一個新的深度學習預測模型，交通圖卷積長短時記憶網(wǎng)絡（TGC-LSTM）學習交通網(wǎng)絡中道路之間的相互作用，并預測網(wǎng)絡級的交通狀態(tài)。作者基于物理網(wǎng)絡拓撲定義了交通圖卷積，并討論了與譜圖卷積的關系。圖卷積權值的L1范數(shù)和圖卷積特征的L2范數(shù)被加到模型的損失函數(shù)中增強模型的可解釋性。實驗結果表明提出的模型在兩個真實世界數(shù)據(jù)集的表現(xiàn)要優(yōu)于其他先進模型。圖卷積權重的可視化表明提出的框架可以識別交通網(wǎng)絡中影響力較大的路段。

交通流預測是智能交通系統(tǒng)（ITS）中最具挑戰(zhàn)性的任務之一。由于近年來交通數(shù)據(jù)的數(shù)量和種類不斷增加，數(shù)據(jù)驅動的交通預測方法已經顯示出相當大的前景，其能力優(yōu)于傳統(tǒng)的和基于模擬的方法?，F(xiàn)有的預測方法大致分為兩類，一類是經典的統(tǒng)計模型，這類模型在處理高維時間序列數(shù)據(jù)方面具有一定的缺陷；第二類則是機器學習模型，如支持向量機（SVR）等，這類模型在捕捉客流空間特性上具有一定缺陷。近年來，隨著深度學習的飛速發(fā)展，基于深度學習的交通預測模型逐漸引起學者們的關注。例如，循環(huán)神經網(wǎng)絡(RNN)以及其變體LSTM和GRU以及卷積神經網(wǎng)絡（CNN）等，均展現(xiàn)出解決交通流預測問題的良好潛力?？紤]到交通網(wǎng)絡本質上具有顯著的物理拓撲特征，部分學者采用圖卷積神經網(wǎng)絡捕捉復雜的空間特性。然而，這類圖卷積模型的缺陷之一是卷積算子的感受野不受交通網(wǎng)絡圖的限制。事實上，交通網(wǎng)絡中相距較遠的兩個節(jié)點的交通狀態(tài)在短時間內不應相互影響，且鄰接的節(jié)點是否相互影響也需要進一步研究。因此，作者提出一個基于實際交通中自由流速度的