Page 187 - 《软件学报》2024年第4期

赵文竹 等: 多视角融合的时空动态 GCN 城市交通流量预测 1765

依赖关系, 其性能优于部分对比模型. 然而 Graph WaveNet 学习的邻接矩阵是静态的, 缺乏对图中时空相关性
的表征能力, 不足以挖掘复杂交通场景下的时空特征. STFGCN 采用传统的 DTW 算法构建图结构, 利用时空
融合图来获取隐藏的时空关联, 同时使用扩张卷积模块捕获局部和全局关联, 但忽略了交通数据的动态特性.
ASTGCN 使用注意力机制分别建模交通数据的时间动态特性和空间动态特性. ASTGNN 在 ASTGCN 基础上改
进了传统的注意力机制, 同时考虑了周期性和空间异质性, 因此其性能得到大幅度提升.
图 10 显示了各种模型在不同预测时间步长即增加预测时间间隔时, 4 个高速公路流量数据集上的性能变
化. 从图中可以看出: 随着预测时间间隔的增加, 城市路网面临更加复杂的动态变化, 城市交通流量预测难
度增加, 因此不同方法的性能都有所下降, 但本文提出的 MVSTGCN 在 MAE, RMSE 和 MAPE 上下降幅度最
小, 且在不同预测时间步长上均保持了最佳性能. 这是由于 MVSTGCN 使用编码器解码器结构, 同时设计了
路网的全局时空特征学习模块, 利用全局特征提取路网全局空间相关性, 获得长期时空依赖关系, 因此
MVSTGCN 在长期流量预测任务中性能更佳, 优势更加明显.

图 10 各种模型在 4 个高速公路流量数据集上对不同时间步长的预测性能比较

引入了 GCN 和时间分量的流量预测模型, 其预测性能与采用经典时间序列预测的模型相比有较大的提
升, 验证了 GCN 在捕获空间依赖关系上的有效性以及同时捕获时空依赖的必要性. 此外, 以数据为驱动来构
建图结构的预测模型, 其性能相较于使用静态图结构的方法有了较大提升. 这是由于在多数情况下, 预定义
的图结构并不是最优的, 且无法提取复杂的时空相关性特征, 而基于数据驱动构建的图结构可以在不需要任
何先验知识的指导下提取隐藏的空间依赖. 说明挖掘动态的空间依赖关系对提升交通流量预测的性能具有重
要的作用. 使用注意力机制建模交通数据时空动态特性的方法也取得了良好的性能, 注意力机制捕获交通数
据中的动态参数仅依赖于输入数据, 且能够关注所有时间片上的全部信息, 使得模型更好地捕获长期时间依
赖性.