发帖
雷达卡
时空图卷积网络：一个用于交通预测的深度学习框架及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性。本文提出了一种新的深度学习框架时空图卷积网络（STGCN）来解决交通领域的时间序列预测问题。我们不使用正则卷积和递归单元，而是在图上构造问题，并建立具有完全卷积结构的模型，实验表明，该模型通过对多尺度交通网络的建模，有效地捕获了复杂的时空相关性，在各种真实交通数据集上的性能均优于现有的方法。
在交通研究中，交通流的基本变量，即速度、交通量和密度通常被选为监测交通状况和预测未来的指标。根据预测长度，交通量预测一般分为两个尺度：短期（5∼ 30分钟），中长期（30分钟以上）。大多数流行的统计方法（例如，线性回归）都能很好地进行短期预测。然而，由于交通流的不确定性和复杂性，这些方法对于相对长期的预测效果较差。
以往的中长期交通预测研究大致可分为动态建模和数据驱动两大类。动态建模使用数学工具（如微分方程）和物理知识，通过计算模拟来描述交通问题[Vlahogianni，2015]。为了达到稳态，仿真过程不仅需要复杂的系统编程，而且需要消耗大量的计算能力。不切实际的假设和简化该模型也降低了预测精度。因此，随着交通数据采集和存储技术的迅速发展，大量的研究人员将注意力转移到数据驱动的方法上。
经典的统计模型和机器学习模型是数据驱动方法的两个主要代表。在时间序列分析中，自回归综合移动平均法（ARIMA）及其变量是最为统一的方法之一
基于经典统计的方法[Ahmed和Cook，1979；威廉姆斯和霍尔，2003年]。然而，这类模型受时间序列平稳性假设的限制，没有考虑到时空相关性，因而限制了高度非线性交通流的可表示性。最近，经典统计在交通预测任务中，机器学习方法对模型提出了严峻的挑战。这些模型，如k近邻算法（KNN）、支持向量机（SVM）和神经网络（NN）可以获得更高的预测精度和更复杂的数据建模。
目前，深度学习方法已广泛成功地应用于各种交通任务中。相关工作取得重大进展，如深度信念网络（DBN）[Jia等人，2016；Huang等人，2014]，堆叠式自动编码器（SAE）[Lv等人，2015；陈等人，2016年]。然而，这些稠密网络很难从输入中联合提取时空特征。此外，在狭隘的约束条件下，甚至在完全没有空间属性的情况下，这些网络的代表能力也会受到严重的阻碍。
为了充分利用交通网络的空间特征，一些研究者在时间轴上采用递归神经网络（RNN）的同时，利用卷积神经网络（CNN）来捕捉交通网络之间的相邻关系。通过结合长-短期记忆（LSTM）网络[Hochreiterand Schmidhuber，1997]和一维CNN，Wu and Tan[2016]提出了一种用于短期流量预测的特征级融合结构CLTFP。尽管CLTFP采取了直接的策略，但它仍然首次尝试调整空间和时间规律。之后，Shi等人[2015]提出了卷积LSTM，它是一种嵌入卷积层的扩展全连接LSTM（FC-LSTM）。然而，通常的卷积运算限制了模型只处理网格结构（如图像、视频），而不是一般的域。同时，用于序列学习的递归网络需要迭代训练，这就引入了误差逐步累积。此外，基于RNN的网络（包括LSTM）被广泛认为难以训练且计算量大。
为了克服这些问题，我们引入了几种策略来有效地建模交通流的时间动态和空间相关性。为了充分利用空间信息，我们用一个通用的图形来模拟交通网络，而不是单独处理它（例如网格或线段）。为了解决递归网络固有的缺陷，我们在时间轴上采用了完全卷积结构。首先，我们提出了一种新的深度学习结构，即时空图卷积网络，该结构由多个时空卷积块组成，它们是图卷积的组合层[Defferard et al.，2016]和卷积序列学习层，用于建模空间和时间依赖性。据我们所知，这是第一次应用纯卷积结构同时从图形结构时间序列中提取时空特征交通研究。我们在两个真实的交通数据集上评估了我们提出的模型。实验结果表明，该框架在多预测长度和网络规模的预测任务中优于现有的方法。
时空图卷积网络STGCN用于交通预测的深度学习框架python程序源代码+设计文档.zip
(2.26 MB, 需要: RMB 19 元)
京公网安备 11010802022788号
