基于实时滑动分解的融合时空图卷积流量预测研究

作     者：牛帅 王景升 

作者机构：中国人民公安大学交通管理学院 

出 版 物：《铁道科学与工程学报》 (Journal of Railway Science and Engineering)

年 卷 期：2024年

学科分类：08[工学] 0838[工学-公安技术] 

基　　金：国家重点研发计划资助项目(2023YFB4302701) 中国人民公安大学基本科研学科基础理论体系项目(2022JKF02013) 

主　　题：流量预测 时空图卷积 自适应噪声完备集合经验模态分解 多尺度输入 实时滑动 

摘      要：为了解决目前数据分解方法存在的信息泄露以及训练和测试时分量个数不一致的问题，提出一种新颖的模型-无信息泄露的实时滑动自适应噪声完备集合经验模态分解和注意力机制的融合时空图卷积，称之为EASTGCN。在模型输入前端，提出了一种实时滑动分解方法，此方法使得训练集随着时间轴动态变化，在每次分解过程中使用的均是实时和历史信息并未使用未来信息，更加符合实时预测任务需求。紧接着，利用自适应噪声完备集合经验模态分解技术将交通流数据进行分解得到一系列本征模态函数分量，将分量分别按照邻近、日和周相关等时段构建多尺度输入以表达时序数据的时间相似性；然后，构建一个时空融合网络有向图，有向图由表示时间相似性的时间图和反映空间连通流向性的空间图组成，用以表达路网节点所包含的时空相似性信息；同时，在模型训练过程中通过引入时空注意力机制使得模型自适应为时空关系分配不同的权重以便关注相似性更强的关键节点来提高模型预测精度。最后，为了验证EASTGCN模型的稳定性和鲁棒性，分别设计了多因素输入实验和多步长对比实验，并在公开的数据集上进行了实例验证。研究结果表明，EASTGCN模型在多步长预测任务中指标增幅跨度最小且性能最稳定；多因素输入的EASTGCN模型在PEMS04数据集的MAE、RMSE指标上相对于单因素输入模型来说分别降低3.83%～27.03%、4.24%～12.77%，在PEMS08数据集的MAE、RMSE指标上降低0.91%～38.69%、0.07%～31.21%。总的来说，EASTGCN模型不论是在长期预测任务还是在预测精度上均有更好的表现，实时滑动分解方法为“分解+预测组合模型提供一种新的思路。