一种用于入口匝道流量预测的具备方向感知扩散机制的时间解耦小波图网络

《Physica A: Statistical Mechanics and its Applications》:A Temporal Decoupling Wavelet Graph Network with Direction-Aware Diffusion for On-Ramp Flow Prediction

【字体: 大 中 小 】 时间:2026年09月20日 来源:Physica A: Statistical Mechanics and its Applications 3.1

编辑推荐:

   ## 摘要 准确的匝道流量预测对于主动匝道控制和高速公路效率优化至关重要。然而,匝道流量具有幅值小、波动性强以及多频尺度上时间模式异质等特征,这些问题又因与日历信息相关的周期性时间模式而进一步加剧。为应对这些挑战,本文提出了时序解耦小波图网络(TDWGNet)。该模型首先利

  

## 摘要

准确的匝道流量预测对于主动匝道控制和高速公路效率优化至关重要。然而,匝道流量具有幅值小、波动性强以及多频尺度上时间模式异质等特征,这些问题又因与日历信息相关的周期性时间模式而进一步加剧。为应对这些挑战,本文提出了时序解耦小波图网络(TDWGNet)。该模型首先利用离散小波变换将匝道流量分解为一个趋势分量和多个细节分量,随后通过共享的LSTM结构对各个分量进行编码,之后通过时序模式解耦模块利用正交投影减少趋势表征中周期性日历相关模式的影响。精炼后的趋势分量和聚合后的细节特征以非对称方式融合,在保持趋势分量主导作用的同时引入校正性的细节信息。基于物理路径距离和方向掩码构建的有向扩散图卷积捕获了沿高速公路的非对称空间传播。在多个真实匝道数据集和PeMS数据集上的大量实验表明,TDWGNet持续优于涵盖循环架构、基于注意力的方法、图卷积网络以及近期基于解耦方法的7个基线模型,在三个匝道数据集上取得持续优异的表现,并在PeMS数据集上取得有竞争力的结果。消融研究证实,在更长的预测时间窗口上,完整模型通常优于其消融变体,验证了小波分解、时序模式解耦和有向空间编码的互补作用。参数敏感性分析进一步表明,针对特定数据集的调参可带来额外提升,从而展示了所提架构的有效性和稳定性。

## 引言

高速公路匝道流量为调节车辆进入主线的匝道控制系统提供了基本输入,以缓解拥堵并维持交织区域的有序运行[1]。因此,准确预测这些流量的多步演化对于主动高速公路管理具有重要的实际价值。然而,匝道流量本质上难以预测:其表现为幅值小、波动显著,以及由通勤需求、控制反馈和主线耦合所驱动的复杂多模态动态特征。

早期的交通预测尝试依赖于ARIMA[2]等经典统计模型。尽管在理论上具有充分的依据,但其线性与平稳性假设严重限制了其捕捉现实交通非线性、非平稳特性的能力。支持向量回归[3]和K最近邻[4]等机器学习技术通过学非线性输入输出映射部分克服了线性约束,但仍然依赖刚性地预定义的固定时间滞后窗口、统计汇总量和手工设计的空间关系等特征,这些均无法适应不断演变的交通动态。因此,此类模型难以自动提取复杂的时空依赖关系,当交通状况变化或网络规模扩大时,其准确性会显著下降。

深度学习通过采用可学习的参数化网络来直接建模时间依赖性和空间交互,从而解决了对手工设计特征的依赖问题。在时间域方面,LSTM[5],[6]和GRU[7]等循环架构被广泛用于提取隐含的序列模式。Shi等人[8]进一步将卷积操作嵌入LSTM单元内部,以联合捕捉时间和空间邻域相关性。在空间域方面,Kipf和Welling[9]提出的图卷积网络将卷积扩展到了非欧几里得结构上,催生了一代新的时空图模型。Yu等人[10]提出了STGCN,用谱图卷积替代了循环组件,以实现高效的时空预测。Li等人[11]开发了DCRNN,将交通传播建模为图上的有向扩散过程,从而将有向空间依赖性嵌入到深度学习框架中。Wu等人[12]提出了Graph WaveNet,通过自适应邻接矩阵学习隐含的空间依赖性,降低了对预定义路网拓扑的需求。与此同时,Transformer架构进入了交通预测领域,Omar等人[13]表明移除解码器可降低计算成本,同时在多步任务上保持与LSTM相当的精度。

在此范式基础上,后续研究追求越来越灵活的建模能力。早期的时空图模型依赖于预定义的静态拓扑,限制了其适应性。Bai等人[14]通过自适应邻接矩阵和数据自适应图生成来学习隐含的空间依赖性,解决了这一问题,从而无需预指定拓扑。图结构随后从静态公式演变为动态公式。Li等人[15]和Lan等人[16]构建了时间相似图,并允许邻接关系随时间演变。Wang等人[17]通过异质图结构联合建模静态连通性、动态流量相似性和语义功能相关性。Liu等人[18]引入了交互式动态图机制,提出了时空交互动态图卷积网络(STIDGCN),使图结构本身能够与连续时间状态协同演化。与此进展并行,Choi等人[19]将节点状态演化表述为连续时间动力系统,缓解了不一致的离散观测间隔问题。Liu等人[20]和Li等人[21]通过自适应捕捉不断演变的节点关联以及在傅里叶域中构建动态图来增强动态依赖建模。Liu等人[22]解决了传感器数据采集局限性导致的分布不均和本地异质问题,提出了基于时空特征交织对比学习的预测网络。

然而,许多图模型所依赖的循环和卷积架构仍然难以捕捉交通序列中的长程依赖关系。注意力机制正是针对这一限制而开发的。Vaswani等人[23]提出的自注意力机制提供了建模全局依赖关系的基础能力。Xu等人[24]、Zheng等人[25]和Li等人[26]开发了时空Transformer架构,捕捉有向空间依赖性和长程时间相关性,并将网络拓扑整合到注意力计算中。Jiang等人[27]进一步提出了延迟感知的空间自注意力机制,从短期和长期两个视角突出依赖性。Guo等人[28]提出了基于注意力的时空图卷积网络(ASTGCN),结合时间和空间注意力以捕捉动态时空模式。Zeb等人[29]开发了元注意力图卷积循环网络(MAGCRN),从时间尺度的角度出发,采用多尺度门控卷积来捕捉不同粒度下的时空依赖性。

尽管取得了这些进展,大多数方法仍然直接对原始交通序列应用统一的特征提取,其中具有不同频率特征的多种时间模式在没有显式分离的情况下被联合建模。这些模式表现出不同的形成机制和波动行为。低频分量通常代表规律性变化和长期时间依赖,而高频分量往往对应于由动态交通条件引起的局部扰动和非平稳波动。然而,由于神经网络的频谱偏差,其倾向于低频模式而在捕捉高频变化方面需要付出更大努力[30],因此同时学习这些异质分量仍然是困难的。因此,在混合频率表征上训练的模型可能实现准确的趋势估计但无法快速响应突变,或者在强调高频信息时对噪声波动变得敏感。因此,引入频率感知的分解可以通过分离不同时间尺度的分量来提供更有效的表征。在本研究中,采用小波分解来构建多频子序列,使后续的预测器能够分别学习互补的时间特征。

沿着这一思路,信号分解技术被越来越多地与深度学习模型集成,以实现频率感知的表征学习。Fang等人[31]和Xu等人[32]将小波变换引入时空预测,将交通数据解耦为趋势和细节分量,并通过双通道网络配合自适应融合进行建模。除了基于小波的方法之外,Ahmad和Khalid[33]使用变分模态分解来自适应地分解非平稳数据。Shao等人[34]和Xu等人[35]将交通信号分离为不同的分量,并结合动态图学习来捕捉不断演变的路网特征。Xiao等人[36]通过多层级联卷积滤波逐层分离平稳和非平稳信号。Zheng等人[37]将小波分解嵌入图卷积架构中并结合注意力增强。Xu等人[38]将傅里叶变换与可学习的M?bius映射结合在双路径网络中,分别建模短期扰动和长期趋势。

综合来看,这些工作展示了解耦建模的优势,但仍有三个关键问题尚未得到充分探索。第一,空间依赖的非对称性在很大程度上被忽视。大多数现有方法采用无向或静态有向图,无法区分高速公路交通中固有的方向特定影响强度。在高速公路上,上游需求波动沿方向累积并向下游匝道传播,这种非对称因果关系是无向图无法表示的。虽然基于注意力的空间编码器[39]可以自适应地对邻居影响进行加权,但它们仍然缺乏显式的上下游约束,可能平滑掉真实交通动态所特有的方向性累积效应。第二,现有的解耦方法缺乏显式机制来控制不同频率分量在融合过程中的相对贡献。大多数方法要么对称对待解耦后的分量,要么依赖于隐含的学习权重,无法以合理的方式在保持趋势主导作用的同时以受控的强度接纳校正性的细节信息。这可能导致当高频波动被赋予不成比例的影响时出现噪声放大问题。第三,周期性日历混杂因素很少被处理。交通观测数据中天然包含由时段和星期引起的变化——这些模式在数值上类似于低频趋势,但其根源来自外部时间表而非内在交通动态。如果不显式地将此类混杂因素与趋势表征分离,模型可能会记住日历节奏而非学习交通流量的底层演化规律。

为弥补这三个空白,我们提出了时序解耦小波图网络(TDWGNet)。该网络首先通过离散小波变换将匝道流量分解为一个趋势分量和多个细节分量,提供具有不同时间模式的多尺度分量。每个分量随后被加上时间嵌入并通过共享的LSTM结构进行编码:专用的LSTM编码趋势分量,而另一个共享的LSTM联合编码细节分量。随后,时序模式解耦模块通过正交投影减少趋势表征中周期性日历相关模式的影响,促使模型关注交通特定的动态变化。精炼后的趋势表征与聚合后的细节特征以固定权重非对称融合,在保持趋势主导作用的同时以受控的强度引入校正性的细节信息。基于物理路径距离和方向掩码构建的有向扩散图卷积,通过多跳聚合显式捕捉了沿行车方向交通流量的非对称传播。最后,节点嵌入被拼接,独立的线性头并行产生多步预测。

本文的主要贡献总结如下:

(1) 专为高波动匝道流量场景设计的预测框架。与以往主要关注幅值大、波动平滑的主线流量的研究不同,我们针对幅值小、波动性强以及具有异质多尺度时间动态的匝道流量。

(2) 将时序模式解耦与多尺度时频解耦相结合。离散小波变换显式地将匝道流量序列分离为趋势和细节分量。在此基础上,时序模式解耦模块从时间嵌入构建时间参考表征,并通过正交投影降低其对趋势表征的影响,从而减少趋势表征对反复出现的日历模式的依赖。

(3) 具有非对称趋势-细节融合的有向空间编码。有向扩散图卷积捕捉了沿高速公路方向交通流量的非对称传播。结合保持趋势主导作用同时以受控强度接纳细节信息的非对称融合策略,该设计实现了有效的时空表征,同时保持了对高频噪声的鲁棒性。

## 背景与问题表述

与以网格状空间依赖为特征的城市路网不同,高速公路主线上的交通流量受严格的几何边界和单向交通移动的限制。TDWGNet聚焦于此类线性高速路网。如图1所示,我们将沿同一行车方向线性分布的$N$个匝道节点表示为有向图$G=(V,\mathcal{E},A)$,其中$V=\{v_1,v_2,\ldots,v_N\}$是按其在高速公路上的物理位置排序的匝道节点集合,$\mathcal{E}$是……

## 方法概述

所提出的TDWGNet遵循顺序编码-预测结构,如图2所示。

它由五个模块组成:多级离散小波分解模块、带时间嵌入的共享LSTM编码器、时间模式解耦模块、非对称趋势-细节融合模块以及有向扩散图卷积模块。在编码阶段,历史匝道流量序列首先通过多级离散小波分解被分解为一个趋势分量和多个细节分量。数据集与设置:数据收集自真实高速公路场景,其中10个匝道站点沿同一行驶方向线性分布。每个站点以5分钟采样间隔连续记录入口流量数据。每个站点的位置由其桩号唯一标识,原始数据涵盖2024年6月1日至6月30日的30天。从这10个站点中构建了三个数据集用于模型训练和评估。第一个数据集由节点1至节点5组成。第二个数据集由节点1至节点7组成。第三个数据集由全部10个节点组成。结论:本文提出了时间解耦小波图网络(TDWGNet)用于匝道交通流量预测。TDWGNet遵循一个顺序流水线,包括多级小波分解、带时间模式解耦的共享LSTM编码、非对称趋势-细节融合以及有向扩散图卷积。小波分解将原始流量序列显式地分离为一个趋势分量和多个细节分量,提供物理上解耦的表示。资助:本工作得到了国家自然科学基金的资助[编号72371019]。CRediT作者贡献声明:蓝雨婷:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、形式化分析。于志鑫:撰写——审阅与编辑、方法论、概念化。赵建东:撰写——初稿、方法论、资金获取、概念化。曹洪路:撰写——审阅与编辑、概念化。利益冲突声明:作者未报告任何潜在的利益冲突。赵建东|蓝雨婷|于志鑫|曹洪路
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