|混合时空图卷积网络：利用导航数据改进交通预测效果

本文的主要贡献点概括如下：

我们提出了一种将计划中交通流量引入机器学习模型的交通预测方法。这一方法将基于数据驱动的交通预测方法和基于交通仿真的预测方法[8]加以结合，显著提升了预测的效果。
我们设计了域转换器结构，将交通流量这一异质信号加以转化整合。这一结构具有通用性，可以适配到各种基于神经网络的交通预测模型。
我们提出了一种新的复合邻接矩阵，可以编码路网中固有的交通接近性。
我们提出了H-STGCN这一多模态学习框架，并在真实数据集上取得了显著优于各种前沿模型的效果。

本文插图

基础
给定一个由n个有向路段组成的交通网，按5分钟的间隔将时间离散化，训练集、测试集的时间范围分别表示为[0,Strain)和[Strain,Strain+Stest) 。我们将数据集表示为张量X∈Rn×(Strain+Stest)×C(in) ，其中C(in)表示输入特征的维数。
通行时间（travel time）/交通流量（traffic volume）。通行时间τi,t定义为路段si在时间片t上的平均通行耗时（单位距离）。类似地，交通流量vi,t代表时间片t内进入到路段si的车辆数。
理想未来流量（ideal future volume）。给定时间片t0 ，理想未来流量νi,t0,f（f≥0）与交通流量vi,t0+f的值相对应，并且在下述两条假设成立时两者相等：1）仅考虑t0时刻正在使用导航服务的车辆；2）每辆车严格按照规划路线行驶，且速度与ETA（estimated time of arrival ，预计抵达时间）相吻合。
历史均值（historical average ， HA）。将一周内时间片的数量记为L（例如按每5min一个时间片计算，则每小时有12个时间片，每天只考虑06:00-22:00这16个小时，则L=7×16×12=1344 。变量ωi,t（可以是通行时间或理想未来流量）定义为

本文插图

其中， W是训练集时间跨度包含周的数量。
交通预测（traffic forecasting）。给定时刻t以及所有此时能够获取到的数据，交通预测模型输出交通网中各路段未来的通行时间。更具体地，给定前序交通特征{X:,t?P+1,:,…,X:,t,:} ，模型H对接下来几个时间片各路段的通行时间加以预测：H(X:,t?P+1,:,…,X:,t,:)={^τ:,t+1,…,^τ:,t+F} ，其中P表示输入时序的长度， F代表预测时间跨度（forecasting horizon）。

本文插图

方法
3.1. 整体框架
图 4 展示了H-STGCN的整体框架。模型输入由两个特征张量组成，理想未来流量V和通行时间张量T 。 V和T均包含三个维度：空间维度、时间维度、通道维度，分别对应路段、所使用的时间片和特征。域转换器（模块a）首先将V转化为通行时间信号，输出“未来通行时间”张量X(g1) 。接下来，两个独立的门控卷积（模块b）分别作用于X(g1)和T的时间维度以提取更高层级的时域特征。将每个路段视为一个节点，基于复合邻接矩阵的图卷积（模块c）作用在合并（concatenation）后的信号h=hν⊕hτ上。两个门控卷积继续扩大时域上的感知范围，并最终经由一个全连接层（FC）输出预测结果。