结合双图卷积网络的时空交叉注意力交通流预测

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Spatio-temporal cross attention involved dual graph convolution network for traffic flow prediction

　　

本文提出了一种时空交叉注意力双图卷积网络（STCA-DGCN）用于交通流量预测。主要贡献如下：引入交叉注意力机制以融合时空特征；提出双图卷积模块；集成LSTM与时间注意力以增强时间相关性学习；相较于其他方法取得了性能提升。

## 引言

随着城市化的加速和车辆数量的增加，交通拥堵已成为全球性挑战，威胁着城市的可持续发展和居民生活质量[1]。为解决这一问题，许多城市交通部门正在探索更有效的措施以提高交通系统的效率并提供更高质量的交通服务。智能交通系统（ITS）利用信息技术优化交通资源，已成为交通管理中的核心手段[2]。交通流量预测是ITS的首要任务之一，近年来备受关注[3]。实时且准确的交通流量预测可以有效实施交通管控与引导，缓解行车过程中的交通拥堵。通过挖掘海量交通流量数据中的潜在规律来预测未来的交通状态，如车速和交通流量，可以辅助交通参与者做出决策，提高交通效率并确保安全。交通预测的核心目标是基于当前状况预测未来的交通流量[4]。尽管许多研究者已取得显著进展，但仍面临诸多挑战，例如如何深入理解交通数据中嵌入的复杂时空关系。

早期的预测方法主要基于统计分析，如自回归积分滑动平均模型（ARIMA）[5]、卡尔曼滤波和向量自回归模型（VAR）[6]。这些时间序列模型的优势在于仅需少量样本即可对目标数据提供近似预测；然而，它们在处理缺失数据方面存在困难。与统计模型相比，机器学习方法展现出更强的特征表示能力，能够处理更大规模的数据，如梯度提升决策树（GBDT）[7]和K近邻算法（KNN）[8]。在交通预测领域，它们通常优于传统统计方法。然而，面对复杂的交通模式和动态变化的环境时，仍面临挑战，例如数据噪声、不确定性以及特征选择和提取的复杂性。近年来，深度学习在计算机视觉和自然语言处理领域取得了显著成功，越来越多的研究者将交通流量数据的多时间尺度和空间尺度特征与深度学习技术相结合。最常用的捕获时间相关特征的方法包括循环神经网络（RNN）[9]，以及用于捕获空间相关特征的卷积神经网络（CNN）[10]。图神经网络（GNN）因其能够建模复杂的互联系统而受到广泛关注，尤其在交通网络中[11]。与传统交通流量预测方法不同，GNN可以通过构建图结构来保持交通网络中的原始拓扑结构，并学习交通网络中道路之间的空间依赖关系。图1(a)展示了真实道路网络中道路传感器的布局。GNN将每个传感器视为一个节点，节点之间通过边相连。边的权重可以表示道路之间的交通流量、距离或其他相关特征。通过这种方式，GNN可以有效捕获交通流量的空间分布及其变化。

交通流量预测的挑战在于准确表征道路网络的复杂时空动态依赖关系以及交通流量的非平稳演化规律。现有GNN方法围绕这一问题进行了探索。Wu等人通过自适应依赖矩阵和节点嵌入学习数据中的潜在空间依赖关系，并使用堆叠的膨胀一维卷积获得指数级扩展的感受野来处理长时间序列[12]。这在弥补传统静态图卷积难以适应动态路网拓扑的缺陷方面取得了令人满意的效果。Zheng等人针对复杂时空因素耦合以及长期交通预测中预测误差易逐步传播的问题[13]，采用了编码器-解码器架构和时空注意力模块，通过Transformer注意力机制对历史与未来时间步之间的相关性进行建模，有效缓解了误差传播问题，显著提高了长期交通预测的准确性。Bai等人设计了自适应节点参数学习和数据自适应图生成模块，以克服预定义拓扑图无法适应交通节点差异和无法捕获细粒度时空相关性的不足[14]。这在无需预定义路网结构的情况下实现了更精确的时空依赖建模。Wu等人关注了多元交通时间序列中变量依赖关系不明确以及因缺乏先验图结构而不适用的问题[15]。他们通过图学习模块自动挖掘变量间的潜在依赖关系，并将混合图卷积与时间卷积结合，共同完成空间相关性和时间模式的学习。针对现有GNN存在的静态建模、长程依赖捕获不足以及忽视交通流量空间传播延迟等局限性，Jiang等人基于Transformer架构实现了动态空间注意力和传播延迟感知建模[16]。这提高了长期时间序列预测能力，同时使模型对交通时空模式更具可解释性。这些研究从不同维度提高了预测精度。然而，现有GNN的结构设计在拟合真实交通场景的动态特征以及深度匹配交通流量系统的固有时空规律方面仍有进一步优化空间，这也是本研究的核心出发点。

(1) 在GNN模型构建中，通常需要预先定义图结构[17]。这种节点与边之间的固定关系限制了模型对动态交通环境的适应性。在实际交通网络中，节点（如交叉路口和路段）之间的连接关系可能随时间和交通状态的动态演变而改变，这被称为动态空间相关性。如图1(b)所示，节点B和节点C在早高峰时段并不表现出强相关性，但在其他时间段却高度相似。因此，使用静态图结构可能导致无法灵活捕获交通流量的时空特征。

(2) GNN可能忽视不同城市区域商业中心之间交通流量模式的相似性，即仅关注局部相关性而忽略长期依赖关系[18][19]。尽管商业区与工业区之间的实际距离非常远，但在工作日中，商业区与工业区的交通流量模式可能表现出高度相似性。如图1(c)所示，尽管节点A和节点D相距较远，但它们的交通流量显著相似。

(3) 不同时段的交通流量通常受到周期性模式的影响，例如早晚高峰、周末与工作日之间的差异[20]。然而，现有的基于GNN的模型往往难以充分挖掘这些时空特征之间的空间依赖关系和时间动态性。

为解决上述挑战，我们提出了一种时空交叉注意力双图卷积网络（STCA-DGCN）。该网络通过并行结构从空间和时间两个维度全面捕获特征，并通过融合模块产生最终的预测输出。在空间维度上，该框架集成了空间注意力机制和双图卷积模块（DGCM），旨在有效捕获复杂的空间依赖关系。DGCM通过融合静态和动态图结构信息（静态图综合了节点间的相似性和邻接信息）来增强对节点间关系的理解，从而实现更精确的空间特征表示。空间注意力机制赋予模型动态选择关键信息的能力，使其能够捕获目标路段与其他路段之间的动态空间相关性。在时间维度上，该框架将长短期记忆网络（LSTM）与时间注意力机制相结合，以确保对局部时间动态和全局周期性模式的高效建模。LSTM可以捕获长时间序列中的依赖关系，从而学习时间数据的潜在模式；而时间注意力机制通过多个注意力头的并行计算执行多维时间特征提取。最后，本文实现了一个由交叉注意力驱动的时空特征融合模块，促进空间和时间特征之间的深度交互。该模块动态集成来自不同维度的信息，帮助模型在复杂时空数据分析中展现出更强的语义理解和预测能力。

总之，我们的贡献如下：

(1) 我们构建了一个并行时空特征捕获框架，使模型能够更有效地识别和学习交通流量中的复杂时空模式。该框架显著增强了模型处理交通流量数据的能力，尤其是在动态和复杂环境中，使其能够更精确地捕获交通流量模式的变化。这种多尺度特征融合策略使模型在面对复杂交通场景时能够更快地适应，从而提高预测精度。

(2) 我们设计了DGCM，通过引入静态和自适应邻接矩阵，有效利用了节点间的静态连接特征以及基于节点特征动态调整的自适应连接关系。这种双图卷积策略不仅增强了空间信息的表达能力，还提高了模型捕获节点间复杂交互的能力。具体而言，静态邻接矩阵捕获网络拓扑的长期依赖关系，而自适应邻接矩阵实时反映节点特征的变化，使模型在处理动态和异构数据时更加灵活。此外，该模块的设计允许在图结构内进行更细粒度的信息提取，从而实现时空特征更高效的信息融合与传递。

(3) 我们在真实交通数据集上评估了STCA-DGCN模型的性能，并将其与其他基线方法进行比较。实验结果表明，该方法在三个标准评估指标上均优于现有基线算法，展现了更好的性能。我们还进行了消融实验以评估模型中各组件对整体性能的影响。

本文其余部分安排如下。在第2节中，我们将首先介绍交通流量预测的早期工作，并详细讨论基于时空图神经网络用于交通流量预测任务的模型。针对现有模型的局限性，我们将阐明我们的方法。在第3节中，将定义交通图和交通流量预测问题的概念。在第4节中，将概述模型的整体架构，并详细解释各模块的功能。在第5节中，将在真实交通数据集上进行实验，包括与基线方法的对比分析、探索各组件对模型性能影响的消融研究以及评估模型在不同条件下鲁棒性的鲁棒性测试。最后，第6节将总结本文的贡献并提出未来的研究方向。

## 2 相关工作

### 2.1 传统交通流量预测方法

在初步阶段，统计模型被广泛使用，如历史平均模型（HA）[21]，它使用简单的历史平均交通量来预测未来交通流量。然而，这些方法在有效处理复杂数据方面的能力受到限制，因为它们忽略了节点之间的空间依赖关系，不适用于当今的交通流量预测任务。其他统计模型，如ARIMA[5]、卡尔曼滤波和VAR，虽然在交通相关任务中很受欢迎，但……

## 3 预备知识

本节将提供交通图的基本概念和交通流量预测问题的描述。表1列出了一些常用的符号。

本研究聚焦于配备监测传感器（如环形探测器、摄像头等）的高速公路或城市道路网络上的交通流量预测问题。我们将部署在真实道路上的监测传感器视为节点。这些传感器可以收集反映交通状态的数据，如交通流量、平均车速、车道占有率、……

## 4 方法论

本节将介绍STCA-DGCN的整体架构。如图2所示，STCA-DGCN主要由两个关键组件组成：空间学习组件和时间学习组件。

为了学习时空特征，时空数据分别输入到空间学习组件和时间学习组件中，以获得提取的时间特征和空间特征。然后，获得的空间特征和时间特征通过融合。实验在本节中，我们使用几个公开的真实数据集来验证我们方法的有效性，并使用多个性能指标与基线进行比较。最后，我们通过消融实验评估了不同设计模块的有效性。结论在本研究中，我们提出了一种涉及时空交叉注意力的双图卷积网络用于交通流量预测，称为STCA-DGCN。所提出的模型通过结合时间注意力机制和LSTM，有效地捕获了时间依赖性，从而能够高效地对交通流量中的时间依赖性进行建模。此外，它还采用了空间注意力机制和DGCM来建模动态空间相关性。在DGCM中，我们未引用引用缺失引用算法1，2，表2，表9CRediT作者贡献声明高兴建：撰写-初稿。吕兴：撰写-审阅与编辑，监督。江瑞：方法论。贾彬：软件。郑诗腾：可视化。高自佑：资源，方法论。竞争利益声明作者声明他们没有任何已知的可能影响本文所报告工作的竞争财务利益或个人关系。高兴建|吕兴|江瑞|贾彬|郑诗腾|高自佑