融合多因素的时空注意力图卷积交通速度预测

作     者：曲天棋 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：董宏辉

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：速度预测 图卷积 兴趣点 天气状况 时空相关性 注意力机制 

摘      要：随着交通拥堵对社会经济影响的日益加剧,在城市交通系统中,交通预测对实现有效的交通管理具有举足轻重的作用,已经成为智能运输系统研究的重点任务之一。交通预测是十分复杂的问题,涉及空间因素、时间因素、道路结构特征和天气因素,因此精准预测交通速度仍面临巨大挑战。现有的大多数方法较难有效地捕获交通数据复杂的时空变化模式。此外,现有方法常忽略天气条件等环境因素的影响,使得预测效果不够理想。因此,本文为了更加准确地预测交通速度,考虑复杂的时间属性和空间拓扑属性以及道路结构特征和天气状况,提出了基于图卷积网络的预测模型,主要研究内容和贡献如下:(1)提出了注意力时空图卷积(Attention Temporal-spatial Graph Convolution Network,ATGCN)交通速度预测模型,从空间维度和时间维度进行建模。从空间的角度来讲,互相连接的路段之间交通速度彼此影响。在时间关系中,间隔较近的时间点之间存在着一种趋势,但由于交通状态也受到外部因素的影响,因此间隔较远的过去的时间点的重要性和影响程度不一定比最近的时间点小。在本研究中,ATGCN模型可同时捕获长短时时间动态和空间相关性。ATGCN模型通过使用门控递归学习时间序列中的短时趋势并通过图卷积网络基于道路网络的拓扑来学习空间相关性。此外引入了注意力机制来调整不同时间点的重要性,并将全局时间信息集合以提高预测精度。实验结果和分析阐明了所提出的ATGCN在交通预测任务中性能的提升。(2)进一步探索道路空间特征和影响速度预测的因素,对ATGCN模型进行了完善,深入挖掘道路结构特征,并考虑天气因素的影响,提出了融合多因素的时空注意力图卷积(Attention Spatio-temporal Graph Convolution Network Fusing Multi-factors,ASMGCN)交通速度预测模型。具体而言,该模型不仅考虑典型时空特征,也考虑兴趣点(Point of Interest,POI)和天气状况对交通速度预测的影响。例如,在餐馆数量较多的路段,就餐时段的交通状态会与其他时段有明显差异。当天气由晴转大雨时,车辆速度一般会降低。针对ATGCN模型不能综合道路空间特征关系的问题,ASMGCN模型通过构建道路模式相似图和功能相似图,增强感知道路空间特征的能力,从而提高预测精度。另外,针对ATGCN模型不能考虑天气因素对预测产生影响的问题,ASMGCN模型在多因素模块中添加天气状况因素。同时,针对POI因素和天气因素进行消融实验,分析不同因素对交通速度预测产生的影响。最后,实验结果和分析阐明了ASMGCN模型在交通预测任务中性能的提升。本文共有图34幅,表9个,参考文献72篇。