江苏龙网

  1. 首页 > 资讯 > 科技 > >

|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020


|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图
|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图

作者 | 高德机器学习团队
出品 | AI科技大本营（ID:rgznai100）
|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图

引言
时空预测（spatio-temporal forecasting）在天气预报、运输规划等领域有着重要的应用价值 。 交通预测作为一种典型的时空预测问题 ， 具有较高的挑战性 。 日常通勤中的规律往往相对容易挖掘 ， 但交通状况还会受影响于各种难以预知的事件（例如娱乐庆典活动的举办、恶劣天气等） 。 以往的研究中[1, 2, 3] ， 数据驱动的方法往往利用通行时间这类交通状态特征作为模型的主要输入 。 后续有研究[4, 5]提出利用事件相关的特征（例如利用推特文本或地图中热门POI搜索频次等数据）来将事件信息引入到模型中 ， 但这类方法带来的效果提升仅限于事件发生的热点位置 。
为解决这一问题 ， 我们从高德导航引擎中获取了“计划中交通流量”（intended traffic volume） ， 并将其扩充到机器学习模型当中 。 计划中交通流量来自导航数据 ， 反映了用户出行意图中蕴含的未来交通流量 。 由于拥有海量用户 ， 高德地图中的导航规划数据能够较为全面地反应正在发生的通行需求 ， 并且信息粒度较事件级别的特征更精细 。 具体来说 ， 规划的路线产生了计划中交通流量 ， 而计划中交通流量可以用以指导对未来通行时间的预测 。 图 1 中 ， volf代表当前可获取的导航路径在f个时间步后在此路段产生的计划中交通流量 。 计划中交通流量的迅速飙升意味着即将到来的交通拥堵 。
|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图

图 1 北京某路段在2019年10月28日早高峰期间通行时间和计划中交通流量
为了将交通流量这一异质信号整合到通行时间预测模型当中 ， 我们创新性地设计出一种域转换器（domain transformer）结构 ， 用于将交通流量信息转化为通行时间信息 。 交通流理论中 ， 路段的交通流量和车辆密度呈三角形曲线映射关系 ， 而曲线的参数是因路段而异的 。 图2展示了现实世界中的例子 。 为了利用这一转换关系 ， 我们设计了将流量转化为通行时间的转换器 ， 该转换器由两层网络构成 ， 分别用于提取全局共享信息和学习不同路段的精细化信息 。
|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图

图 2 四个不同路段的流量时间曲线
另一方面 ， 由于交通网络的非欧几里得特性 ， 我们利用图卷积（graph convolution）结构提取空间依赖性特征 ， 并设计了一种新的邻接矩阵用于更好地体现路段间的交通邻近性 。 在以往的文献中[6] ， 邻接矩阵的权重只按距离衰减 ， 并没有考虑到路段间固有的交通邻近性（图 3 给出了距离近但交通状态相差较大的例子） 。 为解决这一问题 ， 我们设计了一种复合邻接矩阵（compound adjacency matrix） ， 在距离衰减的基础上进一步引入了路段通行时间的协方差 。
|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020
本文插图

图 3 相邻道路间拥堵不一定会传播
本文中 ， 我们所提出的混合时空图卷积网络（Hybrid Spatio-Temporal Graph Convolutional Network ， H-STGCN）是综合利用上述技术的交通预测框架 。 在H-STGCN中 ， 转换器结构将未来交通流量信号转化为通行时间信号 。 路段间参数共享的门控卷积用于提取时间依赖信息 。 基于复合邻接矩阵的图卷积从合并后的通行时间信号中捕捉空间依赖信息 。 H-STGCN经由端到端的训练 ， 可具备基于计划中交通流量信息预测未来拥堵的能力 。 利用真实交通数据集进行实验可验证 ， H-STGCN的效果显著优于各种前沿模型 。


推荐阅读


上一篇：|科学家发现维持脾脏红髓巨噬细胞的微环境

下一篇：微导流|ios企业签名可以直接签名吗？