MGSTN：一种用于城市范围交通预测的多粒度时空网络

《Applied Soft Computing》：MGSTN: A Multi-Granularity Spatio-Temporal Network for Citywide Traffic Forecasting

　　

Xiaoying Shi|Guoyi Li|Bowen He|Haitao Xu|Jing Chen|Liming Tu|Yongping Zhang

中国杭州，杭州电子科技大学计算机科学与技术学院

摘要

城市交通预测对于推动可持续交通和优化流动管理至关重要。然而，由于人类流动的时空复杂性和非稳态特性，准确预测全城交通状况仍具挑战性。现有方法通常仅从单一粒度层面建模空间或时间依赖性，忽略了城市交通流固有的多尺度特征。为解决这些问题，我们提出了一种多粒度时空网络（MGSTN）用于全城交通预测，该模型可同时捕捉空间、时间和属性特征。通过构建距离图和语义图来建模多粒度空间依赖性，同时利用三种时间张量来捕捉不同时间粒度下的模式。借助图卷积网络和关系图卷积网络从距离图和语义图中提取空间特征，再运用非稳态Transformer模型来模拟交通流的固有非稳态特性。在纽约市的出租车和共享单车数据集上进行的实验表明，MGSTN的性能优于现有最先进方法，MAE平均提升3.44%，RMSE平均提升4.08%。这些结果证明了其在实现精准高效的人群流动预测方面的潜力。

引言

随着城市化进程加快和人口密度上升，交通流预测已成为智能交通系统中的关键组成部分[1]、[2]。其核心目标是根据历史数据实时预测未来的交通状况[3]、[4]。鉴于出租车和共享单车服务在城市交通中发挥着重要作用，准确预测其流量对于合理分配车辆、缓解拥堵以及提升服务可靠性具有重要意义[5]、[6]、[7]。

早期的交通流预测方法主要采用统计模型[8]、[9]、[10]、[11]以及传统的机器学习算法[12]、[13]、[14]、[15]、[16]，但这些方法难以捕捉交通数据中复杂的动态模式。随着深度学习的兴起，基于卷积神经网络（CNN）和循环神经网络（RNN）的时空流预测方法被引入，用于建模空间和时间依赖性[17]、[18]、[19]。不过，基于CNN的空间建模仅适用于规则网格，无法处理拓扑结构复杂的交通网络。近年来，图卷积网络（GCN）作为一种处理图结构数据的强大工具出现，能够对非欧几里得空间结构进行建模[20]、[21]。尽管在时空流预测领域取得了这些进展，但仍有一些关键问题尚未解决。

首先，基于GCN的模型往往仅根据地理邻接关系构建图结构[20]、[21]、[22]、[23]，忽视了建筑环境对出行模式的影响。融入能反映土地使用模式的兴趣点（POI），有助于捕捉更有意义的空间依赖性，更准确地体现出行行为的相似性[24]、[25]。

其次，LSTM和GRU等基于RNN的模型被广泛用于捕捉交通流的时间动态特性[26]、[27]、[28]、[29]。但这类模型存在梯度消失问题，难以建模长距离依赖关系。具有堆叠结构和注意力机制的Transformer模型在时间序列预测方面展现出强大能力[30]、[31]、[32]、[33]。然而，交通流数据本质上是非稳态的，其统计特性和联合分布会随时间持续变化。因此，普通的Vanilla Transformer可能无法完全适应这些动态变化。

第三，交通流数据在空间和时间维度上都具备多粒度特征。在空间层面，相邻区域或具有相似土地使用特征的区域的出行模式往往相似。在时间层面，流量在相邻时间点之间存在局部依赖性，同时还具有日常和周度的周期性。但目前大多数时空预测模型仅考虑单一的空间或时间粒度[20]、[34]、[35]，另有部分模型则仅聚焦于多粒度空间[36]、[37]、[38]或时间依赖性[22]、[23]、[39]。仅有少数研究探索了多粒度时空依赖性用于预测交通流量或速度[40]、[41]、[42]、[43]，但这些方法并不适合用于复杂城市环境中的人群流动预测。

为弥补这些不足，我们提出了多粒度时空网络（MGSTN），该模型可同时捕捉空间、时间和属性特征，用于全城交通预测。从空间角度，我们构建距离图和语义图，分别反映地理和语义层面的粒度信息。从时间角度，我们将流量张量划分为近期数据、日度周期数据和周度周期数据，以体现多粒度模式。通过GCN和关系图卷积网络（RGCN）从距离图和语义图中提取特征，再运用非稳态Transformer模型来模拟交通流的动态和非稳态特性。最终得到的多粒度时空表征会与外部因素结合，用于预测未来的交通流量。在纽约市的出租车和共享单车数据集上的实验表明，我们的模型在捕捉时空依赖性和降低预测误差方面具有明显优势。本文的主要贡献如下：

• •
  构建了多粒度空间图，既能体现地理上的邻近性，又能捕捉语义上的相关性。
• •
  设计了三种时间张量，用于表示不同时间粒度下的交通流特性，同时运用非稳态Transformer模型来捕捉各粒度内的时间动态。
• •
  通过整合空间、时间和属性特征，得到了多粒度时空表征，从而实现未来交通流量的精准预测。

本文的结构如下：第2节简要概述现有的交通流预测方法；第3节详细介绍所提出的模型；第4节利用真实数据集将我们的模型与基准方法进行对比，并分析实验结果；第5节总结全文并提出未来研究方向。

章节节选

传统的交通流预测方法

统计方法被广泛用于交通流预测，例如历史平均值法（HA）、自回归移动平均法（ARMA）和自回归积分移动平均法（ARIMA）。在出租车需求预测方面，ARIMA和自动ARIMA模型被用来预测乘客流量和需求热点[8]、[9]。Safikhani等人[44]提出了一种广义时空自回归模型，用于捕捉空间和时间维度上的出租车需求。在共享单车系统中，则采用了ARMA和ARIMA模型

方法论

图1展示了MGSTN模型的整体结构。为捕捉多粒度时间依赖性，原始交通流数据被划分为三种张量：近期数据张量、日度周期数据张量和周度周期数据张量。每种张量都会经过时空网络（STN）模块的处理，该模块能够同时建模空间、时间和属性特征，从而生成对应的时空表征。这些表征随后会被融合，形成多粒度时空

数据集

我们收集了2023年1月1日至12月31日期间纽约市的出租车行程数据¹和共享单车数据²。出租车数据集涵盖了66个出租车服务区域，每条记录都包含上车点和下车点的区域编号以及对应的时间戳。共享单车数据集则记录了每次出行的起点和终点以及相应的时间戳。那些平均每小时流量达到一定水平的站点

结论

本文提出了一种新型的MGSTN模型，用于考虑时空多粒度的交通预测。该模型将原始交通流数据划分为三种时间张量，以捕捉多粒度时间依赖性。时空网络模块能够同时建模空间、时间和属性信息，进而生成多粒度时空特征，从而实现精准的交通流预测。在纽约市的出租车和共享单车数据集上进行的大量实验

CRediT作者贡献说明

Liming Tu：写作——审阅与编辑，资金获取。Yongping Zhang：写作——审阅与编辑，写作——初稿撰写，指导工作，资金获取。Haitao Xu：写作——审阅与编辑，资源协调。Jing Chen：写作——审阅与编辑，软件应用，概念构思。Guoyi Li：写作——审阅与编辑，写作——初稿撰写，方法论设计，形式化分析。Bowen He：写作——初稿撰写，方法论设计，形式化分析。Xiaoying Shi：写作——审阅与编辑，写作——

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

本研究得到了浙江省自然科学基金（项目编号LTGS23F030004、LY24D010001）、浙江省重点研发计划（2023C01147）、浙江省哲学社会科学规划重大课题（项目编号25SYS11ZD）、国家自然科学基金（项目编号61903109、72574195）、浙江大学中央高校基本科研业务费（项目编号S20250014）以及浙江省社会组织联合会常规经费的支持