Page 183 - 《软件学报》2021年第12期

于瑞云 等:基于可变形卷积时空网络的乘车需求预测模型 3847

3.3 对比实验结果分析
本小节将 DCSN 模型与以下 5 种主流及最新的交通流量预测方法进行比较.
• 历史均值法(HA):使用历史流量的平均值来作为下一时间片的预测值.此处,本文同样使用前 8 个时间
片的历史数据来预测下一时间片的乘车需求数量;
• ARIMA 是一种众所周知的时间序列预测模型,它结合了移动平均和自回归分量来建模时间序列;
• LSTM 在传统 RNN 的基础上改进,新增遗忘门等机制,有效解决传统 RNN 所存在的梯度爆炸和梯度消
失等问题.作为目前解决时间序列预测问题的主流算法之一;
• ST-ResNet [13] :ST-ResNet 是一种基于深度学习的流量预测方法,该方法将不同时间片的城市交通流量
绘制成图像,然后使用残差神经网络提取图像特征,进而完成流量预测;
• DMVST-Net [22] :DMVST-Net 是一种基于多视图的深度学习框架,用于出租车需求预测.它由 3 个不同的
视图组成,分别为时间视图、空间视图和语义视图.
为了对比公平,在实验时,除 HA 与 ARIMA 外的其他算法都使用公式(11)所定义的损失函数.DCSN 模型与
其他 5 个主流交通流量预测方法性能对比见表 1.
Table 1 Performance comparison of different approaches
表 1 不同方法性能对比
CD2Data XA2Data
Model
MAPE RMSE MAPE RMSE
HA 0.286 7 20.09 0.253 2 19.65
ARIMA 0.254 1 17.12 0.214 1 17.75
LSTM 0.233 2 15.71 0.195 7 16.98
ST-ResNet 0.228 9 14.16 0.181 2 16.81
DMVST-Net 0.210 2 13.03 0.176 3 15.95
DCSN(ours) 0.207 7 12.42 0.160 2 15.33
表 1 显示了本文所提出的模型与其他基准算法在数据集 CD2Data 与 XA2Data 上的性能对比.DCSN 模型
在所有方法中实现了最低的 MAPE 和最低的 RMSE.更具体地说,HA 和 ARIMA 等传统方法因为完全依赖于历
史需求值并且建模能力有限,所以预测表现不佳.LSTM 与 ST-ResNet 在预测时考虑空间特征和时间特征对交通
流量的影响,使预测误差较传统方法大大降低,但并未将二者相结合.DMVST-Net 模型使用三层视图将时空特
征以及外部特征相融合,取得了非常不错的预测效果.本文所提出的 DCSN 模型在 DMVST-Net 模型的基础上进
行改进,使用 DCN 进行空间特征提取,并将 POI 对乘车需求的影响因素加入到模型中,使模型的预测性能进一步
提升.
DCSN 模型的平均训练时长为 47.2s/轮,基准算法中效果最好的 DMCVST-Net 模型的平均训练时长为
45.4s/轮.因为使用 DCN 代替了 CNN 并加入了 POI 需求关联模型,所以使前者的模型复杂性略高于后者.但整体
训练时长差距不大,且 DCSN 模型准确性得到显著提升.
3.4 消融实验结果分析
本文为了研究 DCSN 模型内部各改进之处对性能的影响,在 CD2Data 数据集下分别对其进行消融实验.
• CLN:仅包含时空模型,但将本文的可变形卷积时空模型中的 DCN 用传统 CNN 替代.即,仅使用 CNN
和 LSTM 的组合对乘车需求进行预测;
• DLN:仅使用本文所提出的可变形卷积时空模型对乘车需求进行预测,不包含 POI 需求关联模型;
• CLMN:在 CLN 的基础上添加需求关联模块,但公式(5)中α取 1,即,仅考虑区域需求差异化指数对模型
的影响;
• DLMN:在 DLN 的基础上添加需求关联模块,同样,α取 1;
• CLPDN:在 CLN 模型的基础上加入本文所提出的 POI 需求关联模型;
• DCSN:为本文所提出的完整模型.