SiTC-Diff:一种用于多步交通流预测的时空融合校正扩散模型
《Knowledge-Based Systems》:SiTC-Diff: A Spatial–Temporal Integrated Correction Diffusion model for multi-step traffic flow forecasting
【字体:
大
中
小
】
时间:2026年08月29日
来源:Knowledge-Based Systems 8.0
编辑推荐:
•提出SiTC-Diff用于多步交通流预测。•引入CPC,使反向创新以历史交通上下文为条件。•以多帧历史条件来建模交通演化。•设计WRAUNet,包含WinTSSA和DBRA以进行时空去噪。•在四个真实世界交通数据集上取得领先的预测精度。
## 引言
随着智能传感器和物联
•提出SiTC-Diff用于多步交通流预测。•引入CPC,使反向创新以历史交通上下文为条件。•以多帧历史条件来建模交通演化。•设计WRAUNet,包含WinTSSA和DBRA以进行时空去噪。•在四个真实世界交通数据集上取得领先的预测精度。
## 引言
随着智能传感器和物联网(IoT)技术的持续发展,来自GPS、监控摄像头、车载设备和气象站的大量交通相关数据(如交通流量、车速和环境状况)已被采集,为交通流预测奠定了坚实基础[1]。作为智能交通系统(ITS)的核心任务之一,交通流建模与预测在交通管理、城市规划和应急响应中发挥着重要作用[2]。准确的交通预测不仅支持交通管理部门的决策,辅助驾驶员进行路线规划,还为城市发展提供重要参考[3]。因此,高效精准地建模城市交通的时空演化已成为城市计算和ITS研究中的关键问题。
交通流数据的表示一般分为两类:基于节点和基于网格的格式。基于节点的数据(如PeMS系列)将关键路段抽象为图中的节点,并利用邻接矩阵捕捉道路之间的拓扑关系。这种表示强调交通流沿路网的传播与耦合[4]。然而,这种表示通常依赖于固定位置的传感器,当传感器部署稀疏时,可能限制城市全域覆盖。相比之下,基于网格的数据(如TaxiBJ数据集)将空间数据(包括GPS轨迹和出租车记录)通过均匀网格划分转换为结构化的时空张量。这种格式提供了空间连续性和结构规则性,支持对城市尺度交通动态的统一建模和实际交通应用[5]。尽管如此,利用基于网格的数据对城市交通进行建模仍面临若干挑战。城市交通流表现出复杂的时空特征。一方面,其呈现显著的空间异质性:只有少数区域持续经历严重拥堵,而大多数区域交通稀疏。此外,同一区域内交通状况在不同时段变化较大,尤其是在高峰与非高峰时段之间以及工作日与节假日之间[6]。另一方面,城市交通流遵循多尺度周期性模式,但频繁受到突发事故或临时交通管制等短期扰动的影响,导致显著的非平稳性。
早期的交通流预测主要依赖假设线性的统计方法,由于交通数据的非线性和非平稳特性,其准确性受到限制。后来,机器学习模型改进了非线性特征学习,但仍难以有效捕捉复杂的时空依赖关系[7]。为解决统计方法和传统机器学习方法的局限性,研究者开发了深度学习架构以建模非线性时空交通动态[8]。这些方法通过记忆机制建模时间演化,利用卷积和残差结构提取多尺度空间特征,或引入自监督和自适应门控来处理弱监督和多样本场景[9]。尽管在建模时空依赖方面取得了进展,许多现有方法被表述为以L1或L2型目标进行优化的点预测模型。此类目标可能倾向于条件中心趋势,在稀疏区域或交通骤变期间产生过度平滑的预测[10]。这一范式揭示了在城市尺度预测任务中的关键局限性,在这些任务中,高维稀疏性、峰值突增和意外扰动频繁发生[11]。在此类条件下,这些模型倾向于表现出预测偏差和过度平滑,导致在关键区域或长时间跨度上的次优性能[12]。为解决这一问题,若干研究尝试引入生成模型(如生成对抗网络GAN和变分自编码器VAE)以增强交通预测中的不确定性建模。然而,这些模型通常受训练不稳定和较差的生成质量所困扰[13]。
近期,去噪扩散概率模型(DDPMs)作为一种强大的生成建模范式出现,展现出对复杂数据分布的强大建模能力。这些模型通常采用基于UNet的去噪网络,并将时空数据表示为多通道张量,使其天然适合捕捉时空依赖关系[14]。尽管以L2目标训练以预测噪声,扩散模型并不执行对交通状态的显式确定性回归,从而保留了其生成特性,并能够实现多模态输出。然而,直接将DDPMs应用于交通预测仍然充满挑战。马尔可夫反向去噪过程通常需要数百甚至数千个采样步骤,限制了实时应用。为提高效率,去噪扩散隐式模型(DDIMs)采用非马尔可夫的确定性采样策略,可将推理减少至数十个反向采样步骤并显著加速生成[15]。尽管如此,标准扩散转移是领域无关的,通用U-Net式去噪器可能无法充分捕捉交通数据复杂的时空依赖和动态变化,尤其是在稀疏或骤变场景中。此外,在带有滚动历史条件的多步预测中,之前生成的帧被纳入后续预测时段的输入中,使其残差误差影响后续预测。这促使在条件去噪和反向创新建模中显式利用历史上下文。
为解决基于网格的城市交通预测中的时空异质性和多步误差传播问题,我们提出了时空集成校正扩散框架(SiTC-Diff),该框架在条件扩散模型中将时空表示学习与上下文路径校正(CPC)相结合。给定历史交通观测,预训练的历史编码器提取多帧表示以对扩散过程施加条件。这些特征被纳入基于WRAUNet的去噪主干网络,在迭代去噪过程中估计交通状态。在采样过程中,CPC使用历史上下文表示来参数化广义DDIM反向转移的创新项,从而向采样轨迹引入条件依赖的调整。
本文的主要贡献总结如下:
- 我们提出SiTC-Diff,一个用于基于网格的交通预测的条件扩散框架,将历史上下文条件去噪与上下文条件反向创新建模相结合。
- 我们设计WRAUNet,一个专用的去噪主干网络,包含窗口时空自注意力(WinTSSA)和双分支残差注意力(DBRA),以在迭代去噪过程中增强时空表示。
- 我们引入上下文路径校正(CPC),用历史上下文条件的创新项替代广义DDIM反向转移中独立于历史的标准高斯噪声,其均值和逐元素标准差均有界。
- 在TaxiBJ[16]、TaxiCQ[12]、Traffic4Cast-BER和Traffic4Cast-IST[17]上的实验表明,与现有方法相比,SiTC-Diff实现了优越的预测精度和改进了的多步性能。
### 时空深度学习用于交通预测
早期交通预测方法依赖卷积、循环和基于图的神经网络来建模时空依赖关系。ConvLSTM[18]将卷积操作嵌入LSTM门中以捕捉短期相关性,而PredRNN系列[19]通过时空记忆单元增强长期建模,但代价是增加了计算复杂度。Zhang等[16]提出了ST-ResNet,一个残差卷积框架,改进了多尺度时间建模,而Gao等——
### 去噪扩散隐式模型
设???表示干净样本,设{β?}????为预定义的方差调度,其中α?=1?β?,??=∏???? α?,且??=1。正向边缘分布为:
q(???|???)=??(√?????, (1???)??)
该分布允许重参数化:
???=√?????+√(1???)ε,ε~??(??,??)
给定预测噪声ε?_θ=ε_θ(???, n),干净样本通过以下方式估计:
x??=(????√(1???)ε?_θ)/√??
对于从扩散步骤n到前一步n?1的反向转移,在所选采样调度中,随机尺度定义为:
σ?=m·√((1?????)/(1???))·√(1???/????)
## 方法
本节介绍所提出的SiTC-Diff框架用于多步交通预测。SiTC-Diff使用上下文条件扩散过程对基于网格的交通数据进行交通演化建模。给定历史交通观测???????:?∈?^(??×??×??×??),任务是预测未来交通状态?????:??_??。
如图1所示,历史交通序列首先由预训练编码器Enc(?)处理以获得历史特征。编码器作为预训练阶段的一部分进行预训练——
## 实验
我们在四个真实世界交通流数据集上评估所提出的SiTC-Diff框架:TaxiBJ、TaxiCQ、Traffic4Cast-BER和Traffic4Cast-IST。实验研究从多个角度展开,以全面检验SiTC-Diff的建模能力和推理性能:
- RQ1:评估SiTC-Diff与确定性及扩散基线方法相比的多步预测精度。
- RQ2:对选定交通条件下的预测结果进行定性分析——
## 结论
本文提出了SiTC-Diff,一个用于多步城市交通流预测的条件扩散框架。CPC使用历史交通上下文来参数化广义DDIM反向转移中的创新分布,用上下文条件的创新项替代独立于历史的标准高斯噪声。WRAUNet结合WinTSSA和DBRA,在局部空间窗口内建模时间交互并精化跳跃连接的空间表示。预训练的——
### CRediT作者贡献声明
许媛:方法论、概念化。严晨阳:撰写初稿、验证、调查、数据整理。朱群雄:撰写——审阅与编辑、数据整理。柯伟:指导。籍崇兴:验证。张扬:项目管理、资金获取。
### 利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
许媛于2005年和2010年分别获得北京化工大学信息科学与工程学院的学士学位和博士学位。她目前为北京化工大学信息科学与工程学院教授。她的研究方向包括系统建模与优化、故障检测与诊断、计算智能和工业应用。
许媛 | 严晨阳 | 朱群雄 | 柯伟 | 籍崇兴 | 张扬
生物通微信公众号
生物通新浪微博
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