Page 376 - 《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 3799

然后研究目标域训练集大小对预测结果的影响. 在此将源域 S-PEMS04 的训练集大小设置为 56 天, 目标域
T-PEMS08 的数据稀缺率固定为 20%. 将目标域训练集大小分别设置为 2 天、5 天、8 天、11 天来观察目标域训
练集大小对模型性能的影响. 图 5 为 MAE 和 RMSE 的评价结果. 从图 4 中可以看出, 目标训练集越大, TL-STGCN
模型的性能就越好. 这是因为随着目标域数据的增多, 可以得到更多目标域数的时空特征, 并将其整合到迁移学习
过程中, 更好地学习域不变的特征表示.

35 45

30 40
MAE RMSE

25 35

20 30
2 5 8 11 2 5 8 11
目标域训练天数 (days) 目标域训练天数 (days)
(a) MAE (b) RMSE
图 5 不同目标域训练集大小的 MAE, RMSE

5 总 结

针对数据稀缺、数据质量不高的交通路网的交通流预测问题, 本文提出了一种基于时空图卷积网络的迁移学
习模型 TL-STGCN. TL-STGCN 从拥有大量优质数据的源交通路网中学习可迁移知识, 以辅助数据稀缺的目标交
通路网完成交通流预测任务. 模型中, 结合时间注意力机制和时空图卷积模块构建了一个时空卷积网络, 从源域和
目标域中提取交通流数据的时空特征表示. 将时空卷积网络作为特征提取模块, 与域判别器、流量预测模块结合,
通过对抗性域适应的方法学习两个交通路网域间有差异性的特征表示和域不变的特征表示, 完成目标域的预测任
务. 本文在 PEMS04、PEMS08、PEMS-BAY、METR-LA 这 4 个真实的数据集上进行了实验. 实验结果表明, 对
于数据稀缺的交通路网的交通流预测问题, TL-STGCN 相较于其他模型在性能上有较大的提升. 在未来的工作中
考虑外界因素 (天气、节假日等) 对交通流的影响, 将引入更多额外的因素作为特征; 且考虑到不同交通路网间数
据可能不共享的问题, 如何结合联邦学习进行训练也是将来的研究重点.

References:
[1] Yuan HT, Li GL. A survey of traffic prediction: From spatio-temporal data to intelligent transportation. Data Science and Engineering,
2021, 6(1): 63–85. [doi: 10.1007/s41019-020-00151-z]
[2] Saleem TJ, Chishti MA. Deep learning for the Internet of Things: Potential benefits and use-cases. Digital Communications and
Networks, 2021, 7(4): 526–542. [doi: 10.1016/j.dcan.2020.12.002]
[3] Cheng XY, Zhang RQ, Zhou J, Xu W. DeepTransport: Learning spatial-temporal dependency for traffic condition forecasting. In: Proc.
of the 2018 Int’l Joint Conf. on Neural Networks (IJCNN). Rio de Janeiro: IEEE, 2018. 1–8. [doi: 10.1109/IJCNN.2018.8489600]
[4] Zhuang WQ, Cao YB. Short-term traffic flow prediction based on CNN-BiLSTM with multicomponent information. Applied Sciences,
2022, 12(17): 8714. [doi: 10.3390/app12178714]
[5] Guo K, Hu YL, Qian Z, Hao L, Zhang K, Sun YF, Gao JB, Yin BC. Optimized graph convolution recurrent neural network for traffic
prediction. IEEE Trans. on Intelligent Transportation Systems, 2021, 22(2): 1138–1149. [doi: 10.1109/TITS.2019.2963722]
[6] Cui ZY, Henrickson K, Ke RM, Wang YH. Traffic graph convolutional recurrent neural network: A deep learning framework for network-
scale traffic learning and forecasting. IEEE Trans. on Intelligent Transportation Systems, 2020, 21(11): 4883–4894. [doi: 10.1109/TITS.
2019.2950416]
[7] Feng N, Guo SN, Song C, Zhu QC, Wan HY. Multi-component spatial-temporal graph convolution networks for traffic flow forecasting.