多超图融合用于网络范围流量流预测:一种时空超图神经网络

《Knowledge-Based Systems》:Multi-Hypergraph Fusion for Network-Wide Traffic Flow Prediction: A Spatiotemporal Hypergraph Neural Network

【字体: 大 中 小 】 时间:2026年05月01日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  李敏泽|邵峰|刘鹏杰|刘文豪|邵虎|沈亮伦敦帝国理工学院数学系,SW7 2AZ,伦敦,英国摘要准确的交通流量预测是智能交通系统(ITS)的基石,但由于现实世界交通的复杂和非线性时空动态,实现高精度仍然是一个关键挑战。传统的图卷积方法往往无法满足需求,因为它们主要模拟的是成对的空间

  
李敏泽|邵峰|刘鹏杰|刘文豪|邵虎|沈亮
伦敦帝国理工学院数学系,SW7 2AZ,伦敦,英国

摘要

准确的交通流量预测是智能交通系统(ITS)的基石,但由于现实世界交通的复杂和非线性时空动态,实现高精度仍然是一个关键挑战。传统的图卷积方法往往无法满足需求,因为它们主要模拟的是成对的空间依赖性,未能捕捉大规模道路网络中存在的更高阶的相互作用。为了解决这一限制并提供对交通演变的更全面理解,本文提出了时空多超图神经网络(STMHGNN),这是一种用于全网络范围交通流量预测的新框架。STMHGNN通过三个专门构建的超图显式捕捉更高阶的空间相关性:(1)上下游邻接超图,用于编码相连道路段之间的方向性交互;(2)区域超图,反映地理邻域内的共享交通模式;(3)历史模式超图,连接具有相似时间动态的道路段。这些超图表示通过空间模块中的HGNN进行整合,同时使用长短期记忆网络(LSTM)来模拟时间依赖性。在洛杉矶的真实高速公路交通数据上进行的实验表明,STMHGNN在所有评估指标上均优于现有最佳模型,均方根误差(RMSE)为27.257,平均绝对误差(MAE)为17.019,平均绝对百分比误差(MAPE)为6.21%。通过有效捕捉复杂的多向空间关系和时间动态,本研究不仅提供了一个更优秀的预测工具,还为推进智能交通系统提供了宝贵的理论见解,最终支持更主动的交通管理和可持续的城市流动性。

引言

交通流量是现代交通规划和管理系统中描述交通状况的基本指标[[1], [2], [3]]。准确的交通流量预测有助于实现高效的交通控制、缓解拥堵和最佳利用交通基础设施。作为智能交通系统(ITS)的核心组成部分,它整合了数据分析、机器学习和传感器技术,以提高整体交通效率。因此,开发有效的交通流量预测方法一直是当前研究的主要焦点[[4], [5], [6]]。
交通流量预测方法通常分为三类:统计方法、机器学习技术和深度学习模型。早期研究广泛采用了统计方法——如自回归积分滑动平均和马尔可夫链模型[7]——因为它们在捕捉交通数据的周期性模式和时间变化方面简单有效。这些方法可以识别趋势、季节性和其他时间特征,适合建模常规的交通流量模式。然而,当应用于大规模数据集时,统计方法往往存在局限性。随着数据量的增加,它们的计算效率会下降,并且可能难以捕捉大型交通网络中存在的复杂非线性关系[8]。随着大数据时代的到来,包括支持向量机(SVM)[9]、随机森林[10]和决策树[11]在内的机器学习方法受到了越来越多的关注。这些方法在处理大规模数据集方面具有更大的灵活性,在建模非线性模式方面更有效。尽管如此,它们仍然面临着捕捉交通数据中存在的深层时空依赖性的挑战。
近年来,深度学习方法在交通流量预测方面取得了显著成功,展示了捕捉复杂模式、提取高级特征和建模时空依赖性的强大能力[[12], [13], [14]]。这些方法在处理大规模数据集、适应动态交通条件以及通过深度架构提高预测准确性方面表现出色。许多研究通过利用基于传感器邻接性的空间相关性,将图神经网络(GNN)应用于交通预测[[15], [16], [17]]。同时,基于注意力的时空GNN被提出,以更好地捕捉长期时间依赖性和动态空间影响,进一步提升了预测性能[18]。尽管取得了这些进展,大多数现有方法主要关注道路段之间的直接邻接关系,常常忽略了交通网络中节点之间的更高阶交互,例如区域关联性和多个道路段之间的历史模式相似性。明确建模这些复杂关系的研究仍然有限。为了填补这一空白,本研究采用超图神经网络(HGNN)从三个关键角度纳入道路段之间的更高阶空间相关性:
  • 1.
    上下游邻接关系:相邻的道路段之间存在强烈的依赖性,某个链接的交通状态受到其直接上下游链接的显著影响[19]。
  • 2.
    区域关系:位于同一地理区域内的道路段由于共享的影响(如区域交通政策、城市结构和人口密度)而表现出相似的交通特征[20]。
  • 3.
    历史模式关系:交通流量经常表现出由一致因素(包括日常通勤周期、周末出行行为和季节性变化)影响的重复时间模式[21]。
在这项研究中,我们提出了一个用于全网络范围交通流量预测的时空多超图神经网络(STMHGNN)模型。该模型利用HGNN捕捉道路段之间的更高阶空间相关性,并结合长短期记忆(LSTM)网络来模拟交通流量数据中的时间依赖性。本文的主要贡献总结如下:
  • 1.
    我们引入了一个多超图神经网络(MHGNN),通过同时捕捉以下内容来建模空间依赖性:(1)上下游链接之间的交互;(2)区域连接模式;(3)传感器网络之间的历史相关模式。
  • 我们将MHGNN与LSTM集成,以有效捕捉交通流量数据中的时空相关性。
  • 3.
    我们在真实交通数据集上评估了所提出的STMHGNN模型,实验结果表明其性能优于几种基准模型。
本文的其余部分组织如下。第2节回顾相关工作。第3节详细描述了所提出的模型。第4节展示了实验结果和分析。最后,第5节总结了本文并指出了未来研究的方向。

节选

文献综述

在本节中,我们回顾和讨论了当前关于交通流量预测和超图学习的研究现状,并介绍了本研究的动机。

用于全网络范围交通流量预测的STMHGNN

为了预测短期交通流量,所提出的模型利用了历史交通流量数据。本节首先定义了与交通流量预测相关的关键概念,然后详细描述了所提出模型的架构。

数值实验

本节通过对真实交通数据进行的数值实验来评估所提出的STMHGNN模型的性能。

结论

本文提出了STMHGNN,这是一种用于全网络范围交通流量预测的新模型。其核心贡献在于构建了三种不同的超图结构——上下游邻接超图、区域超图和历史模式超图——这些结构共同使模型能够捕捉交通网络中的高阶空间相关性。此外,还整合了LSTM神经网络来有效建模时间依赖性。

CRediT作者贡献声明

李敏泽:撰写——原始草稿、可视化、软件开发、调查、正式分析。邵峰:撰写——审稿与编辑、监督、项目管理、方法论、概念化。刘鹏杰:调查、正式分析、数据整理、概念化。刘文豪:可视化、验证、调查。邵虎:撰写——审稿与编辑、监督、项目管理。沈亮:撰写——审稿与编辑、项目管理、方法论、资金支持

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金(编号72501283、72471227、72301236和72071202)和江苏省自然科学基金(编号BK20230678)的资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号