Page 174 - 《软件学报》2024年第4期

1752 软件学报 2024 年第 35 卷第 4 期

Abstract: Traffic flow prediction is an essential component of environmental, safe, and efficient intelligent transportation system. Due to
the powerful spatial-temporal data representation ability, spatial-temporal graph neural network is widely used in traffic flow prediction.
Nevertheless, existing spatial-temporal graph neural network based traffic flow prediction models have two limitations. (1) The static
topology graph constructed from city spatial correlation ignores the dynamic traffic patterns, which are unable to reflect the temporal
dynamic correlation between nodes in road network; and (2) only considering the spatial correlation of local traffic areas lacks the spatial
correlations between the local region and the global road network. To overcome the above limitations, this study proposes a multi-view
fused spatial- temporal dynamic graph convolutional network model for traffic flow prediction. Firstly, it constructs a road network spatial
structure graph and a dynamic traffic-flow association graph from the perspectives of static spatial topology and dynamic traffic patterns,
and uses dynamic graph convolution to learn the node features from both perspectives, comprehensively capturing the diverse spatial
correlations in the road network. After that, from the local and global perspectives, it calculates the global representation of the road
network and fuses global features with local features to enhance the expressiveness of node features and explore the global structural
features of traffic flow. Finally, the model designs a local convolutional multi-head self-attention mechanism to obtain the dynamic
temporal correlation of traffic data, achieving accurate traffic flow prediction under multiple time windows. The experimental results on
four real traffic data demonstrate the effectiveness and universality of the proposed model.
Key words: traffic flow prediction; multi-view spatial-temporal feature; graph convolutional network (GCN); spatial-temporal graph data;
attention mechanism

近年来, 数字城市智能化建设的快速发展对城市交通路网系统提出了更高的要求. 城市规模不断扩大,
[1]
人口数量的不断增加, 带来城市交通系统的道路容量不足、交通堵塞等问题 . 因此, 针对城市路网连通复
杂、流量分布失衡、路况动态变化等问题, 研究面向城市路网系统的交通流量预测已经成为现阶段研究热点.
交通流量预测能够根据历史的交通状况, 提供连续、精确的道路未来状态信息, 为城市规划和交通管理提供
有效的决策支持, 为城市居民出行路径规划提供信息支撑, 实现缓解交通拥堵、绿色低碳出行的目的.
早期的城市交通流量预测系统大都基于统计学习模型和机器学习模型 [2,3] , 这些模型和方法难以捕捉城
市路网中深层非线性的时空相关性, 且严重依赖特征工程, 无法有效地捕获路网数据的时空特性. 为了建模
交通流量的时间和空间特征, 研究人员设计了各种神经网络模型解决交通领域的流量预测问题 [4−6] . 例如: Qu
[8]
[7]
等人 借助循环神经网络(recurrent neural network, RNN)建模交通流量在时间维度的演化特征; Mo 等人 使用
卷积神经网络(convolutional neural network, CNN)捕获城市区域交通数据的空间关联特征. 但这类方法只能学
习欧式空间下的交通流量特征, 难以表达具有复杂拓扑结构的城市路网. 此外, RNN 还存在梯度爆炸或消失
的问题, 导致模型无法有效捕捉交通序列之间的长期依赖关系, 不能准确地挖掘交通流量的时间演化特性.
为解决上述问题, 一些学者将能够处理非欧式数据的图卷积网络(graph convolutional network, GCN)引入
到交通流量预测之中 [9−11] . 交通流量数据通常是在道路网络上的各个节点(如路口、路段等)上采集得到的, 因
此可以将城市路网抽象为一个图结构, 其中, 节点表示路网中的交通节点, 边表示节点之间的连接关系(道路
等), GCN 通过对交通路网图进行卷积操作, 学习节点之间的关系, 实现交通流量预测, 并取得了较好的预测
效果.
其中较为典型的图神经网络模型有 T-GCN, STGCN 等. T-GCN [12] 通过 GCN 学习路网复杂的拓扑结构捕获
节点间的空间依赖关系, STGCN [13] 构建了由 GCN 和门控时间卷积组成的时空卷积层建模节点间的时空相关
性等. 然而, 交通流量预测作为典型的时空数据预测问题, 由于数据的时空特性和节点的复杂关联, 流量预测
仍存在以下问题和挑战.
(1) 如何全面捕捉路网节点之间的时序相似性和动态时空相关性.
大部分图卷积网络模型通过预先定义静态的城市路网图来描述节点之间的空间相关性, 由于路网节点的
交通流量会随时间和空间动态变化, 这些静态图无法捕捉其动态特性, 忽略了道路网络中的节点之间相似的
功能特性以及动态交通模式的影响. 以图 1 为例: 在城市路网中, 节点 1 和节点 5 在实际路网中并没有直接的
道路相连且距离较远, 但两个节点都位于功能相似的办公区域, 因此呈现了相似的交通模式. 两个节点在早
晚高峰期都会发生相应程度的道路拥堵, 而节假日期间道路交通流量相应减少. 同样的, 节点 4 和节点 6 位于
相似的功能区域, 具有相似的交通流量时序特征, 而节点 1 和节点 6 距离较远, 且位于不同的功能区域, 节点