ST-RLNet：用于多步交通流预测的时空表示学习方法

《Neurocomputing》：ST-RLNet: Spatio-Temporal Representation Learning for Multi-Step Traffic Flow Prediction

多步交通流量预测模型ST-RLNet通过3D-ConvLSTM模块和PS-Feedback机制有效捕捉时空关联性，解决传统方法在长预测步数下的误差累积问题。摘要：ST-RLNet整合3D卷积与循环神经网络，设计动态反馈机制优化输入数据，在BikeNYC和TaxiBJ数据集上验证其多步预测（RMSE 4.85）和即时预测（RMSE 4.99）均优于基线模型。分隔符：

　　交通流预测在智能交通系统（ITS）的多个实际应用中发挥着重要作用，如交通控制、公共安全和绿色出行等。随着技术的发展，越来越多的研究开始关注多步交通流预测，以提供更长时间范围内的交通信息，帮助用户更全面地了解交通状况。然而，现有的多步预测方法在捕捉交通数据的时空相关性方面仍存在一定的局限性，尤其是在预测步数增加时，输入数据与真实值之间的偏差会导致预测准确率迅速下降。为了解决这些问题，本文提出了一种名为ST-RLNet的深度时空表示学习网络，旨在更有效地生成交通数据表示，从而提升预测性能。

交通流数据具有复杂的时空相关性，包括空间相关性、时间相关性和时空相关性。空间相关性指的是不同区域之间的交通流相互影响，例如城市中两个相邻区域的交通模式可能非常相似。时间相关性指的是交通流在不同时间点之间存在关联，如早晚高峰和深夜低谷。而时空相关性则是这两者共同作用的结果，它包含了交通数据在空间和时间两个维度上的复杂动态关系。传统的预测方法往往无法有效捕捉这些相关性，尤其是多步预测中，随着预测步数的增加，输入数据的不准确性会逐渐累积，从而影响最终预测结果。

为了应对上述问题，ST-RLNet引入了两个关键组件：3D-ConvLSTMNet和PS-Feedback机制。3D-ConvLSTMNet用于捕捉短期和长期的时空相关性，通过结合三维卷积层和长短期记忆网络（LSTM），能够更全面地建模交通流的动态变化。同时，该模块还引入了残差结构和通道注意力机制，以提升模型对复杂时空模式的捕捉能力。PS-Feedback机制则通过动态重构输入数据的时空表示，使模型能够适应不同预测步数下交通模式的变化，从而有效缓解误差累积的问题。

3D-ConvLSTMNet由三个主要部分组成：顺序模式组件（SPC）、周期模式组件（PPC）和外部信息组件（EIC）。SPC和PPC用于捕捉交通数据的时间相关性，分别关注近期的动态变化和周期性变化。EIC则用于建模外部因素对交通流的影响，如天气、节假日等。SPC和PPC的结构相同，均包含三维卷积层、残差模块和通道注意力机制。三维卷积层能够有效提取交通数据在空间和时间维度上的特征，而残差模块则用于捕捉远距离区域之间的空间相关性。通道注意力机制则通过动态调整不同区域对预测结果的贡献权重，提高模型对复杂时空相关性的建模能力。

PS-Feedback机制包含两个主要部分：交通流生成器（TFG）和交通模式生成器（TPG）。TFG负责生成用于新一轮预测的输入交通数据，它通过结合历史数据和前一轮预测结果，确保输入数据尽可能接近真实值。TPG则负责生成新的时空模式，用于指导3D-ConvLSTMNet的预测过程。TPG能够动态调整预测模型的时空焦点，例如在预测期间，它可以将注意力从工作日的周期性模式切换到周末的异常模式，从而增强模型对复杂时间相关性的建模能力。

为了验证ST-RLNet的有效性，本文在两个真实世界的交通数据集上进行了广泛的实验。这两个数据集分别是BikeNYC和TaxiBJ。BikeNYC包含纽约市的共享单车流量数据，而TaxiBJ则包含北京市的出租车流量数据。实验结果表明，ST-RLNet在多步预测和单步预测中均优于当前最先进的方法，并且在不同交通流量区域（高、中、低）中均能保持较高的预测性能。此外，实验还分析了模型在不同时间间隔下的表现，发现当时间间隔增加时，模型的预测性能仍然保持稳定，这表明ST-RLNet具有较强的适应性。

在参数敏感性分析中，研究了不同时间间隔对模型性能的影响。实验发现，选择适当的顺序模式和周期模式的时间间隔可以显著提高预测的准确性。此外，还研究了残差模块的配置对模型性能的影响，发现使用6个残差单元和3x3卷积核的组合能够达到最佳的预测效果。进一步的实验还比较了两种3D-ConvLSTM模块的结构：3D CNN-ConvLSTM和ConvLSTM-3D CNN。结果表明，3D CNN-ConvLSTM结构在两个数据集上均表现出更优的预测性能。

通过消融实验，研究了3D-ConvLSTMNet中各个组件对模型性能的影响。实验发现，仅使用ConvLSTM层的模型在预测误差方面比包含3D CNN层的模型高出约6.73%和6.91%。而仅使用3D CNN层的模型则比包含ConvLSTM层的模型误差更高。当去除残差模块时，预测误差增加约5.64%和5.76%。不使用通道注意力机制时，误差显著上升，达到29.69%和22.90%。这些结果表明，3D-ConvLSTMNet中的各个组件在提升模型预测性能方面都起到了关键作用。

综上所述，ST-RLNet在多步交通流预测方面展现出了优越的性能，能够有效捕捉交通数据的复杂时空相关性，并通过PS-Feedback机制缓解误差累积问题。该模型不仅适用于高流量和低流量区域，还能够在不同时间间隔下保持稳定的预测能力。这些特性使得ST-RLNet成为一种具有广泛应用前景的交通流预测方法。