【交通流预测论文】基于时空自监督学习的交通流预测

原创

已于 2023-11-23 22:11:50 修改 · 2.9k 阅读

于 2023-11-21 11:39:41 首次发布

现有交通预测模型存在未考虑时空异质性的局限。本文提出时空自监督学习（ST-SSL）流量预测框架，集成时间和空间卷积，设计自适应图增强和自监督学习任务。在四个基准数据集实验显示，该框架优于多种基线，对其他时空应用有启发。

AAAI2023

摘要

在智能交通系统中，对不同时间段的城市交通流量进行鲁棒预测是至关重要的。虽然以往的研究在建立时空相关性模型方面做了大量的工作，但现有的方法仍然存在两个关键的局限性:1)大多数模型集中预测所有区域的交通流量，而没有考虑空间异质性，即不同区域的交通流量分布可能存在偏差。ii)这些模型无法捕捉时变交通模式引起的时间异质性，因为它们通常是在所有时间段内与共享参数化空间进行时间相关性建模。为了应对这些挑战，我们提出了一种新的时空自监督学习(ST-SSL)流量预测框架，该框架通过辅助的自监督学习范式，增强了交通模式表征，以反映时空异质性。具体来说，我们的ST-SSL构建在一个集成模块上，具有时间和空间卷积，用于跨空间和时间编码信息。为了实现自适应时空自监督学习，我们的STSSL首先在属性和结构级别对交通流图数据进行自适应增强。在增强流量图的基础上，构建了两个SSL辅助任务，通过时空异构感知增强对主要流量预测任务进行补充。在四个基准数据集上的实验表明，ST-SSL始终优于各种最先进的基线。由于时空异质性在实际数据集中广泛存在，所提出的框架也可能对其他时空应用有所启发。模型实现可从https://github.com/Echo-Ji/ST-SSL获得。

1 介绍

跨不同空间区域、不同时间段的稳健交通流预测对于推进智能交通系统至关重要(Zhang et al . 2020)。例如，准确的交通预测结果不仅可以及时有效地控制交通，还可以减少交通流量突然激增造成的悲剧。一般来说,交通预测的目的是根据过去的交通观察，预测交通量(例如，在给定时间内每个地区的流入和流出)。最近的进展极大地促进了使用各种深度学习技术进行交通流预测的研究，例如，区域网格上的卷积神经网络(Zhang, Zheng, and Qi 2017)，用于空间依赖建模的图神经网络(Zhang et al 2021)，以及用于空间信息聚合的注意机制(Zheng et al 2020)。尽管人们在改善交通流预测结果方面做出了巨大的努力，但现有模型仍然面临两个主要缺陷。

第一个限制是缺乏对不同区域交通分布倾斜的空间异质性的建模。以图1(a)为例，a和B是北京两个具有不同城市功能的现实世界区域，分别是居住区和交通枢纽。从图1(b)中我们可以看到它们的交通流分布有很大的不同。然而，现有的模型大多忽略了这种空间异质性，容易偏向于交通流量较大的热门区域，无法获得高质量的全市交通格局表征。

虽然一些研究试图用多个参数集捕捉不同区域的非均匀流动分布(Pan等，2019b;Bai et al . 2020)，所涉及的大参数大小可能导致在倾斜分布的交通数据上的次优问题。更糟糕的是，这些方法的高计算和内存成本使得它们无法在实际城市场景中处理大规模交通数据。此外，元学习已被应用于最近的方法(Pan et al . 2019a;Y e et al . 2022)考虑区域流量分布的差异。然而，这些模型的有效性很大程度上依赖于收集到的手工制作的区域空间特征，例如附近的兴趣点和道路网络的密度，这限制了模型的表示泛化能力。

此外，现有的交通预测方法在所有时间段内都使用共享的参数空间来建模时间动态，这很难精确地保持潜在嵌入空间的时间异质性。在现实场景中，不同区域的交通模式会随着时间的变化而变化，例如从早上到晚上，这导致了如图1(c)所示的时间异质性。尽管如此，Song等人采用的参数空间分化策略2020;Li和Zhu 2021)假设整个时间段的时间异质性是静态的，这并不总是成立，例如，如图1(c)所示，工作日和节假日的夜间交通模式可能存在显著差异。为了有效地模拟空间和时间异质性，我们提出了一个新的时空自监督学习框架来预测交通流量。

为了对时空交通模式进行编码，我们的ST-SSL建立在一个图神经网络上，该网络集成了时间和空间卷积以进行信息聚合。为了捕捉交通流的空间异质性，我们设计了一种空间自监督学习范式，在数据级和结构级对交通流图进行扩充，以适应异构区域的交通分布。然后，引入软聚类模式的辅助自我监督，以了解不同区域之间的空间格局差异。为了将时间异质性注入到我们的潜在表示空间中，我们授权ST-SSL使用时间自监督学习范式来维护时间流量动态的专用表示。

我们总结了这项工作的主要贡献如下

•据我们所知，我们是第一个提出一种新的自监督学习框架来模拟交通流预测的时空异质性。这一模式可能会对其他实际的时空应用(如空气质量预测)有所启发。

•我们提出了一种基于图结构时空图的自适应异构感知数据增强方案，以对抗噪声扰动。

•引入两个自监督学习任务来补充主要的交通预测任务，通过增强模型识别能力和对交通时空异质性的认识。

•在四个真实世界的公共数据集上进行了广泛的实验，以显示我们的ST-SSL在各种设置中实现的一致性能优势。

2 准备

定义1(空间区域)。我们将一个城市划分为 $N=I \times J$ 不相交的地理网格，其中每个网格被认为是一个空间区域 $r_n(1\leq n\leq N)$ 。 $V=\left \{ r_1,...,r_N \right \}$ 表示城市中设置的空间区域。

定义2(交通流图)。交通流图定义为 $G = (V, \varepsilon , A, X_{t-T:t})$ ，其中 $V$ 为大小为 $|V| = N$ 的空间区域(节点)的集合， $\varepsilon$ 为连接 $V$ 中两个空间相邻区域的边的集合。我们的交通流图的相邻矩阵记为 $A \in R^{N\times N}$ 。我们用交通张量表示前T个时间步长的全市交通流入和流出数据: $X_{t-T:t}\in R^{T \times N \times 2}=\left ( X_{t-T},...,X_t \right )$ 。将所有地区𝑉V在第t个时隙的交通量信息记为 $X_t \in R^{N\times 2}$ 。

问题陈述。给定到当前时间步长的历史交通流图G，我们的目标是学习一个预测函数，能够准确估计未来时间步长t+1的所有区域的交通量，即 $X_{t+1} \in R^{N\times 2}$ 。

3 方法

本节详细介绍我们的STSSL模型的技术细节，其总体架构如图2所示。

3.1时空编码器

首先，我们提

标签

#学习 #人工智能 #深度学习

最低0.47元/天解锁文章