用于交通流量预测的不对称时空协同图神经网络

《Engineering Applications of Artificial Intelligence》：Asymmetric spatio-temporal synergistic graph neural network for traffic flow forecasting

　　摘要：由于交通网络中复杂的时空相互依赖关系，精确的交通流预测一直是一项艰巨任务。尽管现有方法已取得显著进展，但仍存在两个关键缺陷：一是未能充分整合反映真实交通动态的时空特征，二是无法有效捕捉多时间尺度下的交通节点特征。为解决这些问题，我们提出了一种不对称时空协同图神经网络（ASGNN）。该模型包含三项创新：首先，引入一个可学习的时空协同邻接矩阵，能够在同一潜在维度内动态整合时间和空间关系；其次，设计了一种不对称特征提取机制，能够针对关键节点自适应地应用强化协同建模；最后，采用分层架构逐步融合多时间尺度的节点特征，形成全面的全局表示。为验证该模型在交通流预测中的有效性，我们在实际数据集（PeMSD4和PeMSD8）上进行了实验，并通过详细的消融研究确认了各组件的作用。

引言：交通拥堵对城市发展带来了诸多负面影响，如通勤时间增加、事故率上升以及能源消耗增加（Jiang等人，2023年）。为缓解这些问题，政府正在大力推动智能交通系统的发展，并利用交通预测提升交通效率（Yu等人，2018年）。交通流预测属于典型的时空数据挖掘任务，其数据通常来自智能交通系统部署的传感器或GPS设备生成的交通时间序列。其主要目标是通过历史流量数据预测未来道路网络的流量情况。然而，由于传感器之间存在着复杂的高维时空依赖关系，交通流预测的难度远高于传统时间序列预测。早期方法采用参数化模型，利用历史数据预测交通状况（Yan等人，2018年），但由于交通模式的随机性和非线性特征，这类模型往往难以得到理想结果。后来，机器学习技术的应用提升了复杂特征的建模能力，但在捕捉非线性关系方面仍存在局限。深度学习的出现使得处理大规模数据集的性能得到显著提升（Kumar和Hariharan，2022年），但卷积神经网络并不适合处理图结构化的交通数据，而循环神经网络虽然能处理此类数据，却往往需要大量计算资源，且预测精度不够理想。目前的研究主要集中在图神经网络领域，这类网络擅长处理不规则或非欧几里得数据中的关系。研究人员开发了多种专门用于交通预测的图神经网络变体。尽管交通预测研究已取得重大进展，现有方法在模拟城市交通网络的复杂时空动态方面仍存在显著缺陷。我们的分析发现现有方法存在两个根本性不足：首先，现有的两阶段架构分别处理空间和时间特征，无法捕捉不同时间步长下各交叉口之间的关键协同特征。如图1所示，传统方法能够很好地模拟每个时间步长内的空间依赖关系（黑色箭头）以及单个节点的时间依赖关系（灰色箭头），但却忽视了描述真实交通传播特性的跨时间步长协同特征（红色箭头）。在拥堵预测中，这一缺陷尤为突出，因为某一时间步长的事件往往会影响后续时间步长的周边节点。其次，现有的时间建模方法在处理交通模式的多尺度特征方面能力有限。基于TCN的局部传播方法和基于Transformer的全局注意力方法都无法同时捕捉城市交通网络中的短期变化和长期规律。短期变化指的是相邻时间步长之间的快速局部依赖关系，例如信号切换引起的瞬间交通波动或短期排队现象；而长期规律则是指相对较远时间步长之间的延迟和全局性依赖关系，例如一小时内的拥堵累积效应及持续发展态势。有效建模这类多尺度交通特征对于实现准确且可靠的交通预测至关重要，因为忽视微观的短期变化或宏观的长期规律都会导致预测结果出现偏差，且模型的泛化能力也会受到影响。综上所述，我们提出了一种名为不对称时空协同图神经网络（ASGNN）的交通预测模型。为解决第一个缺陷，我们设计了时空协同机制，构建协同拓扑图以丰富跨时间步长节点之间的交互信息。该机制通过多层架构实现全局时空特征的有效融合，从而更深入地挖掘交通数据特征。为更高效地提取高级协同特征，我们识别出具有更强交通聚集和分配能力的关键节点，对这些关键节点进行复杂的跨时间步长特征提取，而普通节点则仅进行常规的时间和空间特征处理。针对第二个缺陷，我们的模型采用了多尺度特征提取策略来处理时空依赖关系。我们在聚合之前分别处理不同时间尺度下的交通数据：较细的尺度用于捕捉局部依赖关系，而较粗的尺度则用于捕获全局规律。这种分层方法能够全面模拟不同时间范围内的交通特征，从而提供更为完整的交通流特征表征。我们的模型有效地建立了多种依赖关系，提升了在精准预测任务中的推理能力。主要贡献如下：•我们提出了一个用于交通数据时空挖掘的特征融合框架，其中不对称特征提取方法能够自适应地优化节点建模，以克服时空特征整合不连贯的缺陷。•我们设计了分层架构，结合不同尺度的时空特征，通过迭代融合局部节点特征与全局表示，有效捕捉交通场景中的短期波动和远期依赖关系，从而实现稳定的预测性能。•我们在两个来自不同来源的实际数据集上进行了实验，取得了优异的预测效果，证明了该模型的有效性。

相关内容片段：
用于交通预测的图神经网络：早期的交通预测研究侧重于数据的時間动态特性，例如自回归积分移动平均模型（ARIMA）（Kumar和Vanajakshi，2015年）和向量自回归模型（VAR）（Chandra和Al-Deek，2009年）。后续研究则开始运用机器学习技术，如支持向量回归（SVR）（Jeong等人，2013年）和K最近邻算法（KNN）（Zheng和Su，2014年）来提取非线性相关性。不过，这些模型的有效性仍有待进一步验证。

基础概念：在交通网络中，通常会部署传感器（或GPS）来记录交通数据，每个传感器被视为一个节点。我们可以用图G=V,E来表示这个交通网络，其中V和E分别代表节点集和边集，|V|=N。为便于理解，我们在表1中总结了部分关键符号的含义。在图G中，有N个节点会在同一时间步长记录C维的当前道路交通数据（如速度、流量或拥堵程度）。Xn,t∈RN×T×C表示……

方法论：我们在图2中介绍了ASGNN的框架结构，它由三部分组成：（i）输入层，（ii）ASGNN层，以及（iii）输出层。输入层是一个1 × 1的卷积层，用于调整通道数量。每个ASGNN层包含一个不对称时空协同图神经模块（ASGNM）以及多个通用时空模块（GSTM），其中包括门控TCN和图卷积模块。这些模块的输出值与残差值会被相加，作为该层的输出。

数据集：我们在两个高速公路交通数据集上测试了ASGNN，即PeMSD4和PeMSD8（Chen等人，2001年）。这两个数据集都是通过Caltrans性能测量系统（PeMS）每30秒实时采集的，原始交通数据被汇总为5分钟的间隔数据。PeMSD4收集了2018年1月1日至2018年2月28日期间旧金山湾区29条高速公路的交通数据；PeMSD8则收集了2016年7月1日至2016年8月31日期间圣贝纳迪诺地区8条高速公路的交通数据。

结论：本文提出了一种名为ASGNN的新型交通流预测模型。ASGNN通过构建时空协同邻接矩阵，扩展了不同时间步长下各节点之间的交互信息，从而使时间特征和空间特征能够在同一维度内得到整合。在提取时空协同特征时，该模型还加入了关键节点识别功能，以实现更高效的高级特征融合，同时引入衰减矩阵来模拟时间因素的影响。

作者贡献说明：李玉桐：撰写——审阅与编辑、撰写——初稿、软件开发、方法设计。孙中华：项目管理。冯金超：验证、监督工作。贾克宾：概念设计。蔡雷：数据调研。

利益冲突声明：作者声明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。

李玉桐 | 孙中华 | 冯金超 | 贾克宾 | 蔡雷
中国北京工业大学信息科学与技术学院，北京100124