DiSTA：一种用于交通预测中多层次信息融合的分布式语义图框架

《Information Fusion》：DiSTA: A Distributional Semantic Graph Framework for Multi-Level Information Fusion in Traffic Forecasting

　　

• 提出了DiSTA，采用多级信息融合进行交通预测。• 构建了超越物理拓扑的分布语义图。• 开发了面向异构信号的、感知不确定性的自适应融合方法。• 采用瓶颈引导的融合机制实现高效的时空学习。• 相较最先进的基线方法，性能提升最高达1.78%。引言交通预测是智能交通系统（ITS）的一项基础性能力，支撑着广泛的现实决策支持应用，包括实时信号控制[1]、[2]、路径优化、拥堵管理以及城市出行规划[3]、[4]。然而，现代交通传感网络的标志性特征并非仅仅是其规模，而是其异构性：交通测量数据、气象背景以及路网拓扑信息提供了互补但结构上各不相同的信息来源。考虑相距数十公里、位于彼此不相连路段上的两个匝道传感器，在相似气象条件下，它们却表现出高度相关的拥堵模式。仅凭地理邻近性可能无法捕捉到这种功能性相似性，这种相似性反而可能源于交通与环境观测的联合统计规律。因此，一个遗留的挑战是如何在预测流水线的不同阶段协调异构信息。图神经网络（GNN）通过将路网建模为图，已成为交通预测的主导范式[5]、[6]。AGCRN[7]、DSTAGNN[8]、PDFormer[9]、STPGNN[5]和LVSTformer[10]等近期模型通过结合图卷积与注意力机制取得了出色的性能。从信息融合的视角来看，这些模型往往通过部分分离的机制处理不同信息来源和推理阶段。这促使本文考量三个实际局限，分别对应于数据/图构建、上下文特征编码以及时空模块交互。图1预览了这三个方面；下文将逐一进行分析。挑战一：缺失数据级融合——图结构编码的是地理邻近性，而非传感器信号的联合统计特性。大多数现有模型，包括DCRNN[11]、AGCRN[7]和STPGNN[5]，都是从物理连通性或学习得到的节点嵌入构建空间关系。虽然学习得到的图结构能够捕捉预定义拓扑之外的隐含依赖关系，但它们并未明确从交通信号的分布统计特性与外生环境廓线的结合中构建语义关系。如图1左侧面板所示，两个节点可能经历相同的气象条件并表现出高度相关的交通动态，但仅基于拓扑的图却没有连接它们的边，因为没有道路直接连接它们——虚线和红色标记正是指出这一缺失的连接。PDFormer[9]通过建模传播延迟部分解决了这一问题，LVSTformer[10]引入了多级空间视图，然而两者都未能从传感器信号本身的统计分布构建图。因此，由气象、时间周期性或共享道路功能驱动的非局部相关性仍未能得到充分挖掘。挑战二：特征级上下文融合不完整——地理、时间和节点属性线索往往被分别编码或在后期附加。交通预测不仅依赖于观测到的交通序列，还依赖于上下文信息，例如网络位置、时间周期性和道路类型属性。这些线索在结构上是异构的，并且通常通过分离的嵌入或后期加法项注入[8]、[12]。如图1中间面板所示，这种碎片化的处理方式限制了在结构推理开始之前互补上下文因子之间的交互。DiSTA通过把地理、时间和节点属性上下文投影到一个共享的潜在表示中来解决该问题；交通流量与气象观测则通过模态特定的DSG构建以及随后的自适应图融合分别纳入。挑战三：缺失模块间融合——空间与时间推理被解耦为独立的顺序阶段。PDFormer[9]和LVSTformer[10]等近期架构通常通过分阶段的独立模块处理空间与时间依赖关系。因此，跨域交互主要通过顺序特征传播发生，而非在模块内部显式进行空间–时间交互。如图1右侧面板所示，空间与时间证据仅在模块之间的接缝处才被融合：在图推理过程中空间上下文并未获得时间模式的启示，反之亦然。由此产生的深度流水线带来大量计算开销，并在各阶段累积表示漂移——这对实时ITS部署而言是一个重要关切。LightST[3]试图通过时空蒸馏来缓解该问题，但仍保留空间与时间模块之间的根本分离。这三个局限促使对表示阶段上的异构信息进行协调处理。相应地，我们提出DiSTA，它将感知不确定性的分布语义图建模与瓶颈引导的时空交互相结合。前者从交通流量与气象观测中构建并自适应融合模态特定的语义关系，后者通过共享的瓶颈表示将空间推理与多尺度时间精化耦合在一起。一个模态感知的上下文嵌入进一步将地理、时间和节点属性信息纳入共享潜在空间。我们的主要贡献总结如下：• 感知不确定性的分布语义图融合。我们利用分布感知的相似度度量，从交通流量与气象观测构建模态特定的语义图，并引入一个节点自适应的不确定性条件门控，用于在两个语义图之间进行传感器特定的仲裁。• 瓶颈引导的时空交互。我们提出BSFL，通过共享瓶颈令牌将基于图的结构推理与多尺度时间精化交错进行。瓶颈通过N′个紧凑令牌中介全局节点交互，当N′ ? N时，将相应的稠密全对交互从O(N2)降低至O(NN′)，同时与稀疏图注意力协同工作。• 广泛的实证验证。DiSTA在五个真实基准上与18个代表性基线进行了对比评估，并进行了独立运行稳定性、组件消融、鲁棒性、参数敏感性、不确定性–权重相关性以及效率分析。小节摘要多级信息融合：理论基础经典的联合实验室主任（JDL）模型[13]区分了直接作用于原始信号的融合过程与作用于提取特征或独立达成决策的融合过程，这一区分后来被系统化为广大采用的数据级、特征级和决策级分类法[14]。该分类法为本全文提供了贯穿始终的组织术语：DiSTA在……构建并组合源自交通与气象的语义结构问题形式化交通拓扑图。我们将交通网络建模为图G=(V,E)，其中V={v1,v2,?,vN}表示节点集合（例如传感器或路段），E表示代表节点间物理连通性的边集合。静态地理拓扑的邻接矩阵记为Ageo∈RN×N。交通观测。在每个时间步t，每个节点vi∈V都关联有一个交通观测向量xi,t∈RC，例如交通速度或流量。对于每个预测起点，该……方法本文提出DiSTA模型用于时空交通预测。如图2所示，DiSTA由四个主要组件构成：模态感知嵌入层、具备不确定性感知自适应融合的分布语义图生成、瓶颈引导时空融合层（BSFL）以及预测头。数据集细节我们在五个公开可用的真实交通数据集上评估DiSTA。主要特征如下：• PeMS03/04/07/08：这些数据集包含来自美国加利福尼亚州第3、4、7和8区的交通流量测量数据，通过Caltrans性能测量系统（PeMS）采集，分别包含358、307、883和170个传感器。• PeMS-BAY：该数据集采集了旧金山湾区325个传感器在2017年1月至6月间的交通速度数据。遵循标准……结论本文提出了DiSTA，一个融合了分布派生语义图、不确定性感知图融合、上下文特征编码以及瓶颈引导时空交互的交通预测框架。在五个真实交通基准上的大量实验表明，与18个代表性基线相比，其性能具有竞争力并普遍更优。鲁棒性、预测、效率与可视化分析进一步刻画了该模型的行为……CRediT作者贡献声明Yi Zhao：原稿撰写、软件、形式分析、概念构思。Xingfeng Lv：原稿撰写、验证、调查研究。Qianqian Ren：原稿撰写、可视化、监督、方法、形式分析。利益冲突声明作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。Yi Zhao | Xingfeng Lv | Qianqian Ren