Page 178 - 《软件学报》2021年第12期

3842 Journal of Software 软件学报 Vol.32, No.12, December 2021

本文的主要贡献概括如下:
• 本文提出,使用由可变形卷积时空模型以及 POI 需求关联模型组成的联合模型来对区域车辆需求进行
预测,它同时考虑了时间、空间以及不同区域的需求关联性等因素;
• 在可变形卷积时空模型中,使用 DCN 与 LSTM 提取时空特征;在 POI 需求关联模型中,使用区域间的
POI 差异化指数以及需求差异化指数来捕捉区域间的需求相似关系.

1 相关工作

交通流量预测问题在众多研究学者多年来的探索实践下,取得了许多突破性的进展.从传统统计学方法到
机器学习与深度学习,都在使预测精度逐渐提高.本节将主要讨论与交通流量预测的相关工作.
[2]
Li 等人 提出了一种基于 ARIMA 的预测方法来预测热点地区乘客的时空变化,以帮助司机找到他们的下
[3]
一位乘客.Moreira-Matias 等人 使用滑动窗口集合框架,将时变泊松模型、加权时变泊松模型和 ARIMA 模型
相结合,对乘客需求进行预测,并取得了不错的效果.
[4]
Abadi 等人 进一步考虑了外部环境数据(例如场地以及特殊事件等)对交通流量预测的影响,并基于自回
[5]
[6]
归模型对交通流量进行预测.Wu 等人 通过实验揭示了天气与城市交通数据间隐藏的相关性.Tong 等人 结合
POI 信息提出具有高维度特征的统一线性回归模型 LinUOTD,并设计了一系列的优化技术来对模型进行有效
的训练和更新.模型突出的灵活性,使其在交通流量预测场景取得不错的效果.虽然此类方法结合外部因素使预
测精度有所提升,但它们仍然无法捕捉到复杂且非线性的时空相关性.
[7]
随着机器学习与深度学习的飞速发展,研究人员们尝试使用神经网络解决交通流量预测问题.Yi 等人 使
[8]
用实时交通数据利用 DNN 对交通流量进行预测,其实验结果表明,该模型具有较高的准确性. Wang 等人 受到
残差神经网络(ResNet) [23] 的启发,提出一个名为“深度供需(DeepSD)”的端到端框架,其框架具有高度的灵活性
和可扩展性,可利用多个数据源(例如打车指令、天气数据和交通数据)来实现对交通流量的高精度预测.Zhao
[9]
等人 使用 ANN 模型对出租车需求进行预测,实验结果表明:在可预测性高的场景下,马尔可夫模型预测精度为
89%,比神经网络模型高 11%.可见,传统神经网络在此场景下表现并不理想.
进而,研究人员又把目光投向了近些年在计算机视觉领域声名鹊起的 CNN.Wang 等人 [12] 和 Zhang 等人 [13]
将城市交通流量视为图片,进而使用 CNN 及其变种 ResNet [29] 对交通流量进行预测.Liu 等人 [14] 提出一个面向时
空数据的大规模车辆需求预测集成框架,其使用注意力机制将多个基础模型和 3 个注意力模块(通道注意力模
块、空间注意力模块和位置注意力模块)组合在一起,进而提高原有基础模型的性能.其中,空间注意力模块使用
卷积网络进行空间特征提取.以上方法都取得了很好的成绩,但因为传统 CNN 固定的卷积模式,导致提取空间
特征时产生了一定的误差;此外,虽然这些方法确实使用历史时间戳的交通图像进行预测,但它们没有明确地模
拟时序依赖性.进而,Zhao 等人 [18] 使用 LSTM 网络通过由许多存储器单元组成的二维网络来模拟交通系统中的
时空相关性,进而对交通流量进行预测.遗憾的是:他们在考虑交通流量的时序变化时仅模拟了单块区域的时序
依赖性,却忽略了各个区域间的空间关联性.
通过多年的不懈研究和不断改进,终于有学者将时序依赖性和空间关联性结合到一起.Ke 等人 [19] 与 Zhou
等人 [20] 使用卷积 LSTM 来处理出租车需求预测的时空依赖性.在此基础上,Yao 等人 [22] 提出了一个深度多视图
时空网络(DMVST-Net)框架来模拟空间和时间关系,从而对出租车需求进行预测.其模型包括 3 个视图:时间视
图、空间视图和语义视图.通过使用大量真实出租车数据集进行实验,证明该模型预测效果优于上述方法.然而
该模型也存在不足之处,如未解决传统 CNN 在交通流量预测场景下的误差问题以及并未考虑城市中 POI 对出
租车需求的影响等.
总体来说,与上述研究方法相比,本文提出的 DCSN 模型创新点在于设计并结合了可变形卷积时空模型与
POI 需求关联模型.即:使用 DCN 与 LSTM 共同捕捉空间和时间的复杂非线性关系,并基于 POI 差异指数以及历
史需求差异指数对不同区域需求相似性进行建模.最后将两个模型输出,通过全连接神经网络得出最终的预测
结果.