基于时空多图融合的交通流量预测

doi:10.11772/j.issn.1001-9081.2023081226

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (8): 2618-2625.DOI: 10.11772/j.issn.1001-9081.2023081226

基于时空多图融合的交通流量预测

顾焰杰¹, 张英俊¹^,²^,³(), 刘晓倩¹, 周围¹^,⁴, 孙威¹

^1.北京交通大学计算机与信息技术学院，北京 100044
^2.交通数据分析与挖掘北京市重点实验室（北京交通大学），北京 100044
^3.北京交通大学智慧高铁系统前沿科学中心，北京 100044
^4.交通大数据与人工智能教育部重点实验室（北京交通大学），北京 100044

收稿日期:2023-09-08 修回日期:2023-10-19 接受日期:2023-11-02 发布日期:2024-08-22 出版日期:2024-08-10
通讯作者: 张英俊
作者简介:顾焰杰（1999—），男，河北邢台人，硕士研究生，CCF会员，主要研究方向：机器学习、时间序列预测
张英俊（1980—），男，内蒙古呼和浩特人，副教授，博士，CCF会员，主要研究方向：数据挖掘 zhangyj@bjtu.edu.cn
刘晓倩（1996—），女，甘肃靖远人，博士研究生，主要研究方向：数据挖掘、进化学习、模糊认知图
周围（1973—），女，河北石家庄人，研究员，博士，CCF会员，主要研究方向：数据挖掘、人工智能、计算机教育
孙威（1998—），男，山东枣庄人，博士研究生，CCF会员，主要研究方向：数据挖掘、时序因果学习。
基金资助:
中央高校基本科研业务费专项（科技领军人才团队项目）(2022JBQY009)

Traffic flow forecasting via spatial-temporal multi-graph fusion

Yanjie GU¹, Yingjun ZHANG¹^,²^,³(), Xiaoqian LIU¹, Wei ZHOU¹^,⁴, Wei SUN¹

^1.College of Computer and Information Technology，Beijing Jiaotong University，Beijing 100044，China
^2.Beijing Key Laboratory of Traffic Data Analysis and Mining （Beijing Jiaotong University），Beijing 100044，China
^3.Frontiers Science Center for Smart High?speed Railway System，Beijing Jiaotong University，Beijing 100044，China
^4.Key Laboratory of Big Data & Artificial Intelligence in Transportation，Ministry of Education （Beijing Jiaotong University），Beijing 100044，China

Received:2023-09-08 Revised:2023-10-19 Accepted:2023-11-02 Online:2024-08-22 Published:2024-08-10
Contact: Yingjun ZHANG
About author:GU Yanjie， born in 1999， M. S. candidate. His research interests include machine learning， time series prediction.
LIU Xiaoqian， born in 1996， Ph. D. candidate. Her research interests include data mining， evolutionary learning， fuzzy cognitive maps.
ZHOU Wei， born in 1973， Ph. D.， research fellow. Her research interests include data mining， artificial intelligence， computer education.
SUN Wei， born in 1998， Ph. D. candidate. His research interests include data mining， temporal causal learning.
Supported by:
Fundamental Research Funds for Central Universities(2022JBQY009)

摘要/Abstract

摘要：

交通预测是智能交通系统（ITS）的核心任务，准确的交通流量预测（TFF）可以大幅提高公共资源的利用效率。针对现有多图神经网络模型对上下文信息使用不足、图融合方法不平衡和只考虑静态空间关系等问题，提出基于时空多图融合（STMGF）的TFF模型。首先，通过融合空间图、语义图和空间语义图提取不同区域的不同空间相关性，并利用空间注意力机制和图注意力机制融合不同的图结构以动态学习不同邻居的重要性；然后，使用多核时间注意力机制同时捕获局部时间依赖性和全局时间依赖性；最后，使用多层感知机预测交通流量，得到最终预测值。在NYCTaxi和NYCBike数据集验证模型的有效性。实验结果表明，在NYCBike数据集的36步预测任务中，与时空图卷积神经网络（STGCN）、基于时空注意力的图神经网络（ASTGNN）、元图卷积递归网络（MegaCRN）相比，所提模型的均方根误差（RMSE）分别降低了8.46%、2.70%和2.20%。

关键词: 多图融合, 多核注意力, 空间注意力, 图注意力, 深度学习

Abstract:

Traffic prediction is a fundamental task in Intelligent Transportation System （ITS）， as accurate Traffic Flow Forecasting （TFF） can significantly improve the utilization efficiency of public resources. To address the limitations of insufficient utilization of contextual information， imbalanced graph fusion techniques， and consideration of only static spatial relationships in existing multi-graph neural network models， a TFF model based on Spatio-Temporal Multi-Graph Fusion （STMGF） was proposed. Firstly， different spatial correlations across different regions were extracted by the model through the fusion of spatial graphs， semantic graphs， and spatial-semantic graphs. Spatial attention mechanism and graph attention mechanism were utilized to dynamically learn the importance of different graph structures for different neighbors. Then， a multi-kernel temporal attention mechanism was employed to capture both local and global temporal dependencies. Finally， a multi-layer perceptron was utilized to predict traffic flow， obtaining the final prediction values. The validity of the model was verified on NYCTaxi dataset and NYCBike dataset. Experimental results showed that the Root Mean Square Errors （RMSE） of the proposed model STMGF were 8.46%， 2.70%， and 2.20% lower than those of Spatio-Temporal Graph Convolutional Network （STGCN）， Attention based Spatial-Temporal Graph Neural Network （ASTGNN）， and Meta-graph Convolutional Recurrent Network （MegaCRN）， respectively in the 36 steps forecast task of the NYCBike dataset.

Key words: multi-graph fusion, multi-kernel attention, spatial attention, graph attention, deep learning

中图分类号:

TP181

顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 计算机应用, 2024, 44(8): 2618-2625.

Yanjie GU, Yingjun ZHANG, Xiaoqian LIU, Wei ZHOU, Wei SUN. Traffic flow forecasting via spatial-temporal multi-graph fusion[J]. Journal of Computer Applications, 2024, 44(8): 2618-2625.

图/表 11

图1 STMGF模型框架

Fig. 1 Structure of STMGF model

图2 多核时间自注意力模块

Fig. 2 Multi-kernel temporal self-attention module

图3 多图融合卷积模块

Fig. 3 Multi-graph fusion convolution module

表1 实验数据集基本信息

Tab. 1 Basic information of experimental datasets

数据集名称	区域数	序列长度	时间间隔/min
NYCTaxi	75	17 520	30
NYCBike	128	4 392	60

表2 两个交通流数据集的性能比较结果

Tab. 2 Performance comparison results on two traffic flow datasets

数据集	时间步	指标	STGCN	DCRNN	GWNET	AGCRN	ASTGNN	MegaCRN	STMGF
NYCBike	12	MAE	5.045	5.119	5.316	5.138	4.974	4.951	4.909
	12	RMSE	8.599	8.839	9.162	8.774	8.618	8.587	8.373
	18	MAE	5.238	5.229	5.493	5.27	5.105	5.088	5.036
	18	RMSE	9.145	9.085	9.587	9.903	8.801	8.788	8.622
	24	MAE	5.421	5.362	5.608	5.513	5.219	5.365	5.119
	24	RMSE	9.673	9.574	9.798	9.631	9.132	9.624	9.017
	36	MAE	6.092	5.823	6.124	5.888	5.718	5.696	5.628
	36	RMSE	11.021	10.480	10.936	10.448	10.370	10.315	10.088
NYCTaxi	12	MAE	17.163	16.528	16.892	16.513	16.203	16.195	16.114
	12	RMSE	33.567	33.032	32.651	32.368	31.545	31.570	31.561
	18	MAE	17.386	17.200	18.227	17.292	16.915	16.845	16.762
	18	RMSE	34.138	33.649	34.961	33.600	33.345	32.949	32.670
	24	MAE	18.212	18.449	18.756	18.174	17.338	17.305	17.278
	24	RMSE	35.742	34.521	36.375	35.653	34.359	34.210	34.085
	36	MAE	18.727	18.744	19.56	19.544	18.362	18.305	18.237
	36	RMSE	37.004	37.402	38.266	38.683	36.309	36.210	36.048

图4 NYCBike数据集上的性能对比结果

Fig. 4 Performance comparison result graphs on dataset NYCBike

表3 各变体模型预测步长为12和18的实验结果

Tab. 3 Experimental results of variant models with predicted step sizes of 12 and 18

模型	步长为12				步长为18
	NYCBike		NYCTaxi		NYCBike		NYCTaxi
	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
STMGF	4.909	8.373	16.114	31.561	5.036	8.622	16.762	32.670
STMGF⁃Ⅰ	5.013	8.490	16.377	31.910	5.223	9.216	17.563	35.390
STMGF⁃Ⅱ	5.245	9.078	16.727	32.562	5.809	10.272	19.157	36.097
STMGF⁃Ⅲ	5.360	9.218	16.897	33.147	5.594	9.769	18.489	35.756

图5 NYCBike数据集预测12步结果

Fig. 5 Results of NYCBike dataset with predicted step size of 12

表4 预测步长为12的不同层数实验结果

Tab. 4 Experimental results of different layer number with predicted step size of 12

层数	NYCBike
层数	MAE	RMSE
4	4.990	8.608
3	4.909	8.373
2	4.948	8.517
1	5.304	8.917

表5 预测步长为12的不同nhead实验结果

Tab. 5 Experimental results of different nhead with prediction step size of 12

$n h e a d$	NYCBike
$n h e a d$	MAE	RMSE
2	4.972	8.532
4	4.909	8.373
8	4.997	8.548

表5 预测步长为12的不同nhead实验结果

Tab. 5 Experimental results of different nhead with prediction step size of 12

$n h e a d$	NYCBike
$n h e a d$	MAE	RMSE
2	4.972	8.532
4	4.909	8.373
8	4.997	8.548

图6 NYCBike数据集预测长度对预测效果的影响

Fig. 6 Influence of prediction length on prediciton effects on NYCBike dataset

参考文献 29

1	LI Y， YU R， SHAHABI C， et al. Diffusion convolutional recurrent neural network： data-driven traffic forecasting［C/OL］// Proceedings of the 2018 International Conference on Learning Representations ［2023-08-01］. .
2	GUO S， LIN Y， FENG N， et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2019， 33（1）： 922-929.
3	WU Z， PAN S， LONG G， et al. Graph WaveNet for deep spatial-temporal graph modeling［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2019： 1907-1913.
4	SHAO W， JIN Z， WANG S， et al. Long-term spatiotemporal forecasting via dynamic multiple-graph attention［C］// Proceedings of the 31st International Joint Conference on Artificial Intelligence. California： ijcai.org， 2022： 2225-2232.
5	LI M， ZHU Z. Spatial-temporal fusion graph neural networks for traffic flow forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（5）： 4189-4196.
6	WANG X， MA Y， WANG Y. Traffic flow prediction via spatial temporal graph neural network［C］// Proceedings of the Web Conference 2020. New York： ACM， 2020：1082-1092.
7	ZHENG C， FAN X， WANG C， et al. GMAN： a graph multi-attention network for traffic prediction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（1）： 1234-1241.
8	夏进，王正群，朱世明. 基于时间序列分解的交通流量预测模型［J］. 计算机应用， 2023， 43（4）：1129-1135.
	XIA J， WANG Z Q， ZHU S M. Traffic flow prediction model based on time series decomposition［J］. Journal of Computer Applications， 2023， 43（4）：1129-1135.
9	WANG C， ZHU Y， ZANG T， et al. Modeling inter-station relationships with attentive temporal graph convolutional network for air quality prediction［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. New York： ACM， 2021： 616-634.
10	TRIRAT P， YOON S， LEE J-G， et al. MG-TAR： multi-view graph convolutional networks for traffic accident risk prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（4）：3779-3794.
11	LI H， JIN D， LI X， et al. DMGF-Net： an efficient dynamic multi-graph fusion network for traffic prediction［J］. ACM Transactions on Knowledge Discovery from Data， 2023， 17（7）： Article No. 97.
12	GE L， JIA Y， LI Q， et al. Dynamic multi-graph convolution recurrent neural network for traffic speed prediction［J］. Journal of Intelligent & Fuzzy Systems， 2023， 44（5）：7319-7332.
13	TAO S， ZHANG H， YANG F. Multiple information spatial-temporal attention based graph convolution network for traffic prediction［J］. Applied Soft Computing， 2023， 136：110052.
14	SONG C， LIN Y， GUO S， et al. Spatial-temporal synchronous graph convolutional networks： a new framework for spatial-temporal network data forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（1）： 914-921.
15	XU Y， LYU Y， XIONG G， et al. Adaptive feature fusion networks for origin-destination passenger flow prediction in metro systems［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（5）：5296-5312.
16	WANG B， ZHANG Y， SHI J， et al. Knowledge expansion and consolidation for continual traffic prediction with expanding graphs［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（7）：7190-7201.
17	HUO G， ZHANG Y， WANG B， et al. Hierarchical spatio-temporal graph convolutional networks and transformer network for traffic flow forecasting［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（4）：3855-3867.
18	XU Z， KANG Y， CAO Y. High-resolution urban flows forecasting with coarse-grained spatiotemporal data［J］. IEEE Transaction on Artificial Intelligence， 2023， 4（2）：315-327.
19	王海起，王志海，李留珂，等. 基于网格划分的城市短时交通流量时空预测模型［J］. 计算机应用， 2022， 42（7）：2274-2280.
	WANG H Q， WANG Z H， LI L K， et al. Spatial-temporal prediction model of urban short-term traffic flow based on grid division［J］. Journal of Computer Applications， 2023， 42（7）：2274-2280.
20	GENG X， LI Y， WANG L. Spatiotemporal multi-graph convolution network for ride-hailing demand forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2019， 36（1）： 3656-3663.
21	YU B， YIN H， ZHU Z. Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2018：3634-3640.
22	CHOI J， CHOI H， HWANG J， et al. Graph neural controlled differential equations for traffic forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（6）：6367-6374.
23	GUO S， LIN Y， WAN H， et al. Learning dynamics and heterogeneity of spatial-temporal graph data for traffic forecasting［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（11）：5415-5428.
24	LI Q， HAN Z， WU X. Deeper insights into graph convolutional networks for semi-supervised learning［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2018， 32（1）：3538-3545.
25	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017：6000-6010.
26	JIANG J， HAN C， ZHAO X， et al. PDFormer： propagation delay-aware dynamic long-range Transformer for traffic flow prediction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2023， 37（4）： 4365-4373.
27	LI S， JIN X， XUAN Y， et al. Enhancing the locality and breaking the memory bottleneck of transformer on time series forecasting［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 5243-5253.
28	WANG J， JIANG J， JIANG W， et al. LibCity： an open library for traffic prediction［C］// Proceedings of the 29th International Conference on Advances in Geographic Information Systems. New York： ACM， 2021：145-148.
29	JIANG R， WANG Z， YONG J， et. al . Spatio-temporal meta-graph learning for traffic forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2023， 37（7）： 8078-8086.

[1]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[2]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[3]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[4]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[5]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[6]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[7]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[8]	李晨倩, 刘俊. 基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2604-2610.
[9]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[10]	唐媛, 陈艳平, 扈应, 黄瑞章, 秦永彬. 基于多尺度混合注意力卷积神经网络的关系抽取模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2011-2017.
[11]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[12]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[13]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[14]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[15]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.

基于时空多图融合的交通流量预测

Traffic flow forecasting via spatial-temporal multi-graph fusion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 29

相关文章 15

编辑推荐

Metrics