Page 175 - 《软件学报》2024年第4期
P. 175
赵文竹 等: 多视角融合的时空动态 GCN 城市交通流量预测 1753
之间较难建立动态关联. 借助相似的流量时序特征, 可以发现城市不同区域的功能相似性(相似的功能区域往
往也具有相似的流量特性), 对提升预测效果具有重要意义. STFGNN [14] 在图卷积过程中考虑不同区域中交通
流量的时序相似性, 使用动态时间规划(dynamic time warping, DTW)算法来计算节点之间的时序相似性, 但
STFGNN 未充分考虑节点之间的动态时空相关性.
空间结构图 交
动态关联图 通
流
量
建立动态关联
学校 银行 时间
办公区
交
通
流
停车场 量
住宅区 不建立动态关联
时间
便利店
交
通
流
医院 办公区 量
停车场 建立动态关联
时间
图 1 交通路网中节点的空间相关性
(2) 如何挖掘路网中局部空间结构和全局空间相关性之间的依赖关系.
交通路网作为一个连通复杂且时空关联度高的网络结构, 节点间的依赖关系不仅仅存在于局部区域, 距
离较远的节点之间仍具有相关性, 节点之间的依赖(交互、关联)关系会影响至全局路网的交通状况. 例如: 图
2 中节点 6 的交通流量过大, 不仅会导致其周边节点 3 拥堵, 同时会影响远距离节点 2 和节点 5 的交通状况,
使得全局节点的交通状况发生变化. 因此, 在建模交通数据空间相关性的同时捕捉到路网局部空间结构和全
局空间相关性之间的依赖关系, 能够进一步提升交通预测的精度. 然而, 目前大多数交通流量预测模型仅关
注路网中局部空间结构的相关性, 忽略了全局空间的相关性, 无法捕捉到路网中局部结构和全局相关性之间
的依赖关系.
交
局部相关性 全局相关性 通
流
量
n
t t+1 t+2 1
Time
图 2 交通路网中节点的全局相关性
针对上述的两个问题, 本文提出了多视角融合的时空动态图卷积网络交通流量预测方法(multi-view fused
spatial-temporal dynamic graph convolutional network, MVSTGCN), 从空间关联性与时序相似性出发, 全面挖
掘路网节点之间多元的空间关联, 并学习路网的全局空间特征, 捕捉路网节点中局部空间结构和全局空间相
关性之间的依赖关系, 实现准确的城市交通流量预测. 首先, 该方法从静态路网拓扑结构出发构建空间结构
图, 根据时间序列相似度捕捉节点之间的时序相似性建立动态关联图, 从静态的空间结构和动态的时序相似
两个视角描述交通数据的空间相关性; 然后, 空间结构图和动态关联图将分别输入由自注意力机制构建的动
态图卷积模块, 实现动态空间相关性协同捕捉; 同时, 从局部视角和全局视角捕捉空间相关性, 引入路网的
