Page 192 - 《软件学报》2024年第4期

1770 软件学报 2024 年第 35 卷第 4 期

3.8 预测结果可视化
为了在实际应用中更好地评估模型的性能, 将 4 个高速公路数据集上的节点预测交通流量效果进行可视
化展示, 图 13 分别展示了 4 个数据集中节点样本在一天内的交通流量数据.

(a) PEMS03 (b) PEMS04

(c) PEMS07 (d) PEMS08
图 13 预测结果可视化

从图 13 中可以看出, MVSTGCN 模型在实际应用中能够较为准确地预测未来交通发展趋势. 其中: 模型
在数据集 PEMS03 和 PEMS07 都表现出了良好的预测性能, 在数据集 PEMS04 和 PEMS08 的方框区域中出现
了一定的预测误差. 这是由于数据集 PEMS04 和 PEMS08 作为相对简单的数据集, 具有较少的节点数量和更
少的流量数据, 模型在小数据集上的拟合能力较弱, 使得预测结果出现很小的偏差. 然而, MVSTGCN 模型在
PEMS03 和 PEMS07 的良好表现, 证明了本文模型更善于处理复杂多变的交通数据, 验证了从多视角出发, 挖
掘路网节点之间多元的空间关联, 学习路网的全局特征, 能够实现复杂条件下的城市交通流量预测.
4 总结与未来工作

为了解决现有城市交通流量预测模型中存在的两个问题: 1) 无法捕捉路网节点之间的时序相似性; 2) 无
法发现路网中局部结构和全局相关性之间的依赖关系, 本文提出了一种多视角融合的时空动态图卷积网络模
型 MVSTGCN, 实现多视角下精准的城市交通流量预测. MVSTGCN 首先从静态路网和动态模式两个视角分
别构建空间距离图和动态相似图, 不依赖于预定义的静态邻接矩阵, 有效地挖掘交通路网的静态信息和动态
模式, 并捕捉到了节点之间的时序相似性关联. 与此同时, MVSTGCN 设计了动态图卷积网络用于发掘节点空
间隐藏的动态空间关联. 然后, 为了捕获时间序列中的局部变化趋势信息和因果关系, MVSTGCN 提出了局部
卷积自注意力机制, 在捕捉时序变化的过程中还考虑了空间异质性和交通序列顺序信息. 最后, MVSTGCN 设
计了路网全局流量特征计算模块, 有效地挖掘了路网中局部结构和全局相关性之间的依赖关系, 提升了路网
节点特征的表现力. 在 4 个真实交通网络数据集上的大量实验表明, MVSTGCN 模型优于现有方法. 在未来工
作中, 进一步探索将空间维度和时间维度进行联合建模, 设计统一模块捕获时间和空间的交互动态关联, 同
时考虑交通数据的周期性, 降低模型复杂结构, 提升模型推理速度.