|混合时空图卷积网络：利用导航数据改进交通预测效果

H-STGCN (1)：将流量特征张量V全部设成1 。

4.3. 评价指标
我们在三种测试集上进行模型效果的比对：

全测试集（如4.1节中所描述）。
高流量路段的拥堵时期，用C表示。
高流量路段的突发拥堵时期，用尾缀NRC表示。

4.4. 效果比较
表 1 展示了在全测试集、测试集C、测试集NRC上不同模型的表现。评估标准包括MAE（s/m）、MAPE（%）和RMSE（s/m）。 H-STGCN在各项指标上均显著优于不同的对标模型，在突发拥堵的预测方面优势尤为明显。
表 1 模型效果对比

本文插图

复合邻接矩阵。分析表 1 可知，和STGCN相比， STGCN (Im)在W3-715数据集上有着更低的MAE、MAPE ，在E5-2907数据集上有着更低的MAE、MAPE及RMSE ，证明了复合邻接矩阵的有效性。图 8 以E5-2907数据集为例，对不同邻接矩阵进行可视化。图中颜色代表的值为lg(wij+1) ， (a)为迪杰斯特拉矩阵， (b)为协方差矩阵， (c)为复合邻接矩阵。

本文插图

图 8 E5-2970的各种邻接矩阵
未来流量特征和域转换器。如表 1 所示，和STGCN (Im)相比， H-STGCN有着稳定的更优表现，从而证实了利用未来流量数据带来的收益。由于域转换器中逐路段卷积结构的存在， H-STGCN的模型表达能力是强于STGCN (Im)的。为了消除这一影响以针对未来流量特征带来的收益做更公平的分析，我们进一步将H-STGCN与H-STGCN (1)进行对比。在测试集C、测试集NRC上，不难发现未来流量特征在对拥堵的预测上有显著更优的表现。如图 9 所示，随着预测时间跨度的拉长，未来流量特征带来的收益会起主导作用。

本文插图

图 9 测试集NRC上效果比对
为了更加直观地对H-STGCN的原理加以剖析，我们这里展示一个突发拥堵预测的案例（如图 10 所示）。这个案例来自2018年4月16日某一高速路段。 GT代表真值， HA代表历史均值， τ(?f)是f个时间步以前对当前通行时间的预测值， νi,t,f是对f个时间步后的理想未来流量。 17:30至18:00拥堵加剧的阶段， H-STGCN (1)提前多个时间步的预测结果和真值相比有明显的时间滞后。
相比之下， H-STGCN由于有理想未来流量中的信息，甚至有能力在30min以前就对拥堵有着准确的预测。我们可以这样理解这一现象：νi,t,3对应的曲线代表了对15min之后交通流量的近似推算，该曲线在17:15就开始拉升了。基于导航引擎中只有当前时刻已经发起的导航行程这一事实，实际的未来流量要比理想未来流量更高。所以， νi,t,3的飙升预示着有较大的交通流量正在涌来，这就使H-STGCN能够在没有历史数据做参考的情况下预知未来的拥堵。

本文插图

图 10 突发拥堵预测案例
4.5. 模型可扩展性
模型在W3-715和E5-2097两数据集的预测时间不超过100ms 。为了在实际线上应用场景中平衡推演效率和预测效果，我们将城市路网切分成最多包含几千个路段的子路网，每个子路网在线上部署一个模型。

本文插图

应用
本?提出的?法已在高德驾车路线的旅行时间预测（ETA）（见图 11）中落地[9,10] ，并将偏差严重的案例数量降低了15% 。此外，本方法首次以数据驱动的方式建模了用户出行意图与交通路况演化之间的相互作用，未来可以广泛的应用在主动式的交通管理（proactive traffic management）领域，例如智能红绿灯调控（intelligent traffic light control）[9]、智能道路收费系统（intelligent toll systems for roads）[10]等。