ST-WaveMLP：面向交通流量预测的时空全局感知网络模型

作     者：包锴楠 张钧波 宋礼 李天瑞 

作者机构：西南交通大学计算机与人工智能学院 北京京东智能城市大数据研究院 京东城市(北京)数字科技有限公司 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0838[工学-公安技术] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划（2019YFB2103201） 国家自然科学基金（62172034） 北京市科技新星（Z201100006820053） 

主　　题：交通流量预测 时空依赖性 时空深度学习 时空数据挖掘 

摘      要：交通流量预测在智能交通系统起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理，也能帮助人们制定合适的出行计划。然而精准预测交通流量是非常有挑战的，主要难点在于如何捕获交通流量数据中复杂的时空依赖性。近年来，深度学习方法已被成功应用于网格交通流量预测，其中主要采用深度卷积神经网络来捕获时空依赖性。但是卷积神经网络主要关注数据中空间特征的提取与整合，难以充分挖掘其中复杂的时空依赖性，而且单层卷积网络只能捕获局部空间依赖，所以要想捕获全局空间依赖就需要超多层的卷积网络进行堆叠，这将使得整个网络模型训练收敛速度变慢。为了解决些问题，文中提出了一种面向交通流量预测的全局感知时空网络模型：ST-WaveMLP，其中主要使用以多层感知机（MLP）为基础的可重复结构ST-WaveBlock来捕获相关的时空依赖。ST-WaveBlock中包含了捕获全局空间依赖和局部时间依赖的模块（SGAC），以及用以捕获局部空间依赖和全局时间依赖的模块（SLAC）。ST-WaveBlock具有较强的时空表征学习能力，往往仅用2-4个ST-WaveBlock堆叠就能有效捕获数据中的时空依赖性。最后文中在四个实际交通流量数据集上进行实验验证，结果表明ST-WaveMLP具有更好的收敛性以及更好的预测精度，相较于之前最好的方法，预测精度相对提升最高可达9.57%，模型收敛速度相对提升最高可达30.6%。