Page 368 - 《软件学报》2025年第8期

李云 等: 面向数据稀缺场景的智能交通流量预测 3791

S
S
为源域图边的集合; A ∈ R N S ×N S 为源域图的邻接矩阵; x ∈ R N S t 时刻的特征矩阵.
t 为源域图在
2.3 目标域图
( )
T T T T V T 为目标域节点的集
目标域图定义为无向图 G = V ,E ,A , 表示历史观测数据稀缺的目标交通路网. 其中
N T
合; E T 为目标域图边的集合; A ∈ R N T ×N T 为目标域图的邻接矩阵; 目标域图在 t 时刻的特征矩阵表示为 x ∈ R .
T
T
t
2.4 问题定义
假设源域和目标域具有相同的特征空间, 但特征的边缘分布不同, 例如从不同城市收集到的交通流数据. 此
f (·), 通过从源域
外, 源域有丰富的交通数据, 而目标域面临着交通数据稀缺的问题. 本文旨在学习一个预测函数
迁移知识, 以辅助预测目标域未来一段时间内的交通流信息.
本文中所用到的符号及其含义如表 1 所示.

表 1 文中符号及描述

符号 含义
G = (V,E,A) 无向图
V 无向图的节点
E 无向图的边
A 无向图的邻接矩阵
,
S
S
S
T
T
T
T
S
G = (V ,E ,A ) G = (V ,E ,A ) 源域图, 目标域图
x , x T t 源域图、目标域图在t时刻的特征矩阵
S
t
S
X , X T 源域和目标域的数据集
p q 历史观测时间步长, 预测时间步长
,
X p 过去p时间段的历史观测数据
X p+q 未来q时间段的交通数据
S
T , T T 源域和目标域的时间序列样本数
,
,
f g (·) f w (·) f pre (·) 时空图卷积网络, 域判别器, 交通预测网络
, , 时空图卷积网络、域判别器、交通预测网络的可训练参数
θ g θ w θ pre
S T 时空特征表示, 源于时空特征表示, 目标域时空特征表示
H g ,H g ,H g
γ λ 梯度惩罚平衡系数, 交通预测模块和特征表示学习的平衡系数
,
,
L src L tgt 源域预测损失, 目标域预测损失
, 域判别器损失, 梯度惩罚
L wd L gard

q 时段内目标域交通流. 定义源域数据集和目标
不失一般性, 本文根据过去 p 时段历史交通流数据, 预测未来
域数据集分别如下:

{( ) ( )} T S −1
S
X = x ,..., x S t+p , x S t+p+1 ,..., x t+p+q (1)
S
S
t+1
t=0

{( ) ( )} T T −1
T
X = x ,..., x T t+p , x T t+p+1 ,..., x T t+p+q t=0 (2)
T
t+1
( ) ( )
其中, X p = x ,..., x 为过去 p 时间段内交通流数据的历史观测值, 作为模型的输入, X p+q = x ,..., x 为
t+1 t+p t+p+1 t+p+q
未来 q 时段的交通流数据, 是模型的输出, T S 和 T T 为时间序列样本的数量, 且 T S 的数量远大于 T T 的数量. 综上,
本文的交通流预测问题定义如下:

( )
T ˆ T
min error X p+q ,X p+q (3)
f
( )
其中, X ˆ T = f X ,G ,X ,G T 表示交通流的预测值, f (·) 表示学习到的预测函数.
S
T
S
p+q