基于圖神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測

朱虹錦 顏文勇

摘要：隨著社會發(fā)展，城鎮(zhèn)化的推進(jìn)和人民生活水平的提升使得城市中的交通運(yùn)輸車輛與日俱增。加之大量農(nóng)村人口流向城市，使得城市有限的空間內(nèi)一時間開始大量聚集眾多人口，在城市上下班高峰時期，各交通要道的機(jī)動車擁堵問題正困擾眾多城市的發(fā)展和城市居民的生活質(zhì)量。對此，城市交通運(yùn)輸領(lǐng)域一直在探索交通流量的監(jiān)控與預(yù)測手段。這在傳統(tǒng)技術(shù)背景下似乎是一個難以完成的任務(wù)，但在信息技術(shù)高速發(fā)展的當(dāng)下，智能化的城市交通系統(tǒng)開始出現(xiàn)，并利用信息技術(shù)、電子傳感技術(shù)、電子控制技術(shù)、計算機(jī)處理技術(shù)等逐步實現(xiàn)了城市交通調(diào)控與管理的智能化。在這一智能化交通系統(tǒng)中，交通流量的預(yù)測是其交通管理與調(diào)控的基礎(chǔ)性環(huán)節(jié)，而流量的預(yù)測數(shù)據(jù)也正是其他工作開展的重要依據(jù)。因此，在交通流量預(yù)測方面選擇科學(xué)有效的方法進(jìn)行預(yù)測模型構(gòu)建就成為影響城市智能交通系統(tǒng)作用發(fā)揮的重中之重。本文以圖神經(jīng)網(wǎng)絡(luò)為技術(shù)視角探討了城市交通流量預(yù)測模型的建構(gòu)，希望能夠?qū)ΜF(xiàn)代智能交通系統(tǒng)的建設(shè)提供參考。

關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò);城市交通;流量預(yù)測模型

中圖分類號： TP311? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）02-0154-02

1 智能交通系統(tǒng)與交通流量預(yù)測

1.1 智能交通系統(tǒng)

要對交通流量預(yù)測進(jìn)行研究分析，首先就需要對現(xiàn)代智能交通系統(tǒng)的情況有基本的了解。這是因為交通流量預(yù)測是為城市智能交通系統(tǒng)服務(wù)的，交通流量預(yù)測也只有在城市智能交通系統(tǒng)的運(yùn)行中才能體現(xiàn)出其真正價值。

所謂智能交通系統(tǒng)即是依托基礎(chǔ)理論模型，在融合現(xiàn)代信息技術(shù)、數(shù)據(jù)通信技術(shù)、電子傳感技術(shù)、計算機(jī)技術(shù)的情況下針對地面交通管理建立起的一套可以服務(wù)于城市大范圍內(nèi)的，能夠?qū)崿F(xiàn)實時、準(zhǔn)確、高效的綜合運(yùn)輸與管理的系統(tǒng)。該系統(tǒng)的最大優(yōu)勢在于能夠?qū)Τ鞘械缆方煌ㄟ\(yùn)輸實施智能化的管控，從而提升城市交通運(yùn)輸效率，減少城市交通為城市環(huán)境帶來的污染。這一智能交通系統(tǒng)最早美國進(jìn)行研究與建設(shè)，我國則是從20世紀(jì)70年代才開始探索電子技術(shù)與信息技術(shù)在城市交通運(yùn)輸領(lǐng)域的運(yùn)用，而真正引入“智能”概念則是在20世紀(jì)90年代。但由于我國經(jīng)濟(jì)社會發(fā)展與城鎮(zhèn)化進(jìn)程加快所引發(fā)的一系列城市交通問題日益凸顯，使得我國在之后的時間內(nèi)給予了智能交通系統(tǒng)的研究以高度重視，同時在交通領(lǐng)域掀起了一輪智能交通系統(tǒng)研究的熱潮。目前，我國智能交通系統(tǒng)的研究已經(jīng)在圖像識別技術(shù)、交通仿真技術(shù)、GPS技術(shù)、GIS技術(shù)以及交通流方面都取得了巨大突破。從整體上看，城市智能交通系統(tǒng)的研究與應(yīng)用已經(jīng)成為必然趨勢，同時其對我國城市交通運(yùn)輸事業(yè)發(fā)展所帶來的推動作用也是顯而易見的。

1.2 交通流量預(yù)測

由于城市交通運(yùn)輸網(wǎng)絡(luò)的承載力是固定的，所以在進(jìn)行交通流量的調(diào)控中就必須對其流量的狀態(tài)趨勢有一個準(zhǔn)確的把握，如此才能對每條城市道路的交通流量都進(jìn)行有效的調(diào)控，進(jìn)而在最大程度上提升城市交通運(yùn)輸網(wǎng)絡(luò)的利用率，減少城市交通擁堵的時間或發(fā)生的概率。在這一方面，對城市交通流量的預(yù)估就成為智能交通系統(tǒng)作用發(fā)揮的關(guān)鍵。交通流量預(yù)測就是結(jié)合以往城市交通數(shù)據(jù)的特點來來對未來一段時間內(nèi)的交通流量情況進(jìn)行預(yù)估，從而為城市交通的調(diào)控提供參考依據(jù)。具體而言，要實現(xiàn)這一預(yù)測就必須先準(zhǔn)確地獲取到城市路網(wǎng)中當(dāng)前與過去各時段內(nèi)的交通流量信息，然后結(jié)合這些信息來建立起一個交通流量預(yù)測模型，如此就可以結(jié)合當(dāng)前與歷史數(shù)據(jù)以及預(yù)測模型來對城市未來不同時間內(nèi)的交通數(shù)據(jù)進(jìn)行預(yù)測。可以說，交通流量預(yù)測的實現(xiàn)最重要的是數(shù)據(jù)信息的獲取和預(yù)測模型的建構(gòu)。而在現(xiàn)代信息技術(shù)、通信技術(shù)以及GPS/GIS技術(shù)的支撐下，城市交通信息數(shù)據(jù)的獲取問題已經(jīng)迎刃而解，但采取何種方式進(jìn)行更為有效的交通流量預(yù)測模型的搭建卻仍優(yōu)待進(jìn)一步研究和實踐。而根據(jù)現(xiàn)有方法所進(jìn)行的交通流量預(yù)測，其預(yù)測模型的精度提升一直都是一個巨大難點，因此在城市交通流量預(yù)測模型的建設(shè)中，就需要我們進(jìn)一步對此問題展開深入研究。

2 圖神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是人們從生物角度模擬生物神經(jīng)功能特征而研究出的一種能夠進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。其具有非線性、非局限性、非常定性以及非凸性的特點，能夠通過協(xié)調(diào)網(wǎng)絡(luò)內(nèi)部大量節(jié)點間的相互連接關(guān)系來達(dá)到信息處理和自學(xué)習(xí)、自適應(yīng)的目的。而隨著人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，許多機(jī)器學(xué)習(xí)任務(wù)基本都可以依靠端到端的深度學(xué)習(xí)模型來完成，如卷積神經(jīng)網(wǎng)絡(luò)等就是這些深度學(xué)習(xí)模式之一。但這種神經(jīng)網(wǎng)絡(luò)在處理圖的輸入方面則顯得有些無力，這是因為圖中沒有節(jié)點的自然順序。在此情況下，人們開始借鑒卷積網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)等思想來進(jìn)行處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計，由此就誕生了“圖神經(jīng)網(wǎng)絡(luò)”。

“圖神經(jīng)網(wǎng)絡(luò)”可以說是對以往神經(jīng)網(wǎng)絡(luò)的一次拓展，使得人工神經(jīng)網(wǎng)絡(luò)可以被用在圖數(shù)據(jù)的處理中。由于每一個圖中的每個節(jié)點都根據(jù)其特征與相關(guān)聯(lián)節(jié)點來進(jìn)行定義，所以“圖神經(jīng)網(wǎng)絡(luò)”就是要對包含每個節(jié)點鄰域信息狀態(tài)嵌入 h v ∈Rs進(jìn)行學(xué)習(xí)。正是由于圖神經(jīng)網(wǎng)絡(luò)在圖數(shù)據(jù)處理上的能力，該技術(shù)目前已經(jīng)被應(yīng)用于結(jié)構(gòu)化場景、非結(jié)構(gòu)化場景之中。如當(dāng)前的圖卷積網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖自編碼器、圖生成網(wǎng)絡(luò)與圖時空網(wǎng)絡(luò)都屬于圖神經(jīng)網(wǎng)絡(luò)的范疇。

3 基于圖神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測

由于人工神經(jīng)網(wǎng)絡(luò)具有深度學(xué)習(xí)的特點，所以神經(jīng)網(wǎng)絡(luò)一直都是城市交通流量預(yù)測模型建構(gòu)中的研究方法之一。目前，已有的基于人工神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型是以以下表達(dá)式為基礎(chǔ)的。

其中Lt代表交通流量預(yù)測值，Wij為輸入層到隱含層的連接權(quán)值，θj代表隱含層單元的閾值，vjt為隱含層到輸出層的連接權(quán)值，γ代表輸出層單元的閾值。

但這種交通流量預(yù)測模型不是以城市交通網(wǎng)絡(luò)的圖結(jié)構(gòu)數(shù)據(jù)為基礎(chǔ)的，所以此處就以圖神經(jīng)網(wǎng)絡(luò)中的圖卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)探討交通流量預(yù)測模型的建構(gòu)。

3.1 圖卷積神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測中的應(yīng)用

圖卷積神經(jīng)網(wǎng)絡(luò)是專門針對圖數(shù)據(jù)進(jìn)行深度學(xué)習(xí)的技術(shù)，其以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，但以圖數(shù)據(jù)為研究對象。從城市交通網(wǎng)絡(luò)的情況看，其本質(zhì)上是一種圖結(jié)構(gòu)，交通網(wǎng)絡(luò)中的媒介節(jié)點都可以當(dāng)wt 圖上的信號。因此基于圖卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型實際上就是利用譜圖方法將卷積操作延伸到圖結(jié)構(gòu)數(shù)據(jù)上，而將城市交通的相關(guān)數(shù)據(jù)作為圖上的信號，進(jìn)而在圖上對這些圖信號進(jìn)行直接處理，從而獲取到空間內(nèi)有意義的模式與特征，然后再講譜圖轉(zhuǎn)化成代數(shù)形式來對圖的拓?fù)鋵傩赃M(jìn)行研究。

3.2 基于圖卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測

此處以城市中的公交網(wǎng)絡(luò)為例進(jìn)行基于圖卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測研究。

城市公交網(wǎng)絡(luò)可以看成一個圖，而公交站可以視為頂點、公交線路視為邊。公交站點定點處都有一個客流與周邊車流歷史值組成的特征向量，因此可以基于此定義出相鄰矩陣來對站點間的成對依賴關(guān)系進(jìn)行編碼。根據(jù)這一思路，公交網(wǎng)絡(luò)就可以以一個通用的圖形來描述，再利用圖卷積神經(jīng)網(wǎng)絡(luò)就能夠捕捉到公交網(wǎng)絡(luò)層面的不規(guī)則時空依賴關(guān)系?；趫D卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測原理具體如下。

1）利用圖代表公交網(wǎng)絡(luò)客流與周邊車流的時間序列

實踐中，根據(jù)歷史觀測可以對后續(xù)時間客流與周邊車流進(jìn)行預(yù)測，此處就以一個圖表來對城市公交網(wǎng)絡(luò)進(jìn)行定義，并對其結(jié)構(gòu)化的時間序列流量進(jìn)行關(guān)注。如圖1所示，圖中的頂點可以用V表示，邊用E表示，其加權(quán)鄰接矩陣則可以用W表示，而Vt則是在時間t時所有公交站客流與車流的向量。

2）圖卷積操作

本文使用的圖卷積如下：

其中x為圖信號、θ為核函數(shù)，“*g”為圖卷積的概念，代表θ與x的乘積。K為中心節(jié)點所確定的卷積最大半徑值，α為卷積核參數(shù)，L為圖拉普拉斯算子，σ為激活函數(shù)。

3）不規(guī)則時空依賴關(guān)系的捕捉

根據(jù)上述圖結(jié)構(gòu)的公交網(wǎng)絡(luò)數(shù)據(jù)，就可以進(jìn)一步利用圖卷積神經(jīng)網(wǎng)絡(luò)來對其不規(guī)則時空依賴關(guān)系進(jìn)行捕捉。圖2 為以頂點i計算出的核大小為1的圖卷積。而頂點i與5各一階相鄰頂點的空間依賴關(guān)系則為圖2中的f（1）、f（2）、f（3）、f（4）、f（5）。

4）全網(wǎng)層面遙遠(yuǎn)時空依賴關(guān)系的捕捉

在交通流量預(yù)測中，還需要從全網(wǎng)層面對更遙遠(yuǎn)的時空依賴關(guān)系進(jìn)行捕捉，實際操作中可以通過低階鄰接累積來獲得高階鄰接。尤其在城市整體公交網(wǎng)絡(luò)中，相鄰站點間的客流與車流會相互影響，同時相隔很遠(yuǎn)的站點間也會存在時空依賴關(guān)系，這就需要利用多個圖卷積神經(jīng)網(wǎng)絡(luò)層來構(gòu)建起一個更具有深度的圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來對遙遠(yuǎn)時空的依賴關(guān)系進(jìn)行捕捉。如圖3所示。

4 結(jié)語

綜上所述，人工神經(jīng)網(wǎng)絡(luò)在城市交通流量預(yù)測上有著巨大的應(yīng)用空間，而傳統(tǒng)基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測方式在實踐中存在一定弊端，所以從城市交通網(wǎng)絡(luò)圖的層面看，可以利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流量預(yù)測模型的構(gòu)建，從而將交通數(shù)據(jù)視為圖像信號進(jìn)行處理，如此可以對城市交通網(wǎng)絡(luò)中不規(guī)則的時空依賴關(guān)系進(jìn)行準(zhǔn)確捕捉，進(jìn)而有效提升城市交通流量預(yù)測的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 李勁松，易明俊.城市交通流量預(yù)測模型的研究[J].微型電腦應(yīng)用，2020，36（9）：92-96.

[2] 原二保.基于神經(jīng)網(wǎng)絡(luò)算法的交通流量預(yù)測建模與計算[J].現(xiàn)代電子技術(shù)，2020，43（10）：66-68，75.

[3] 朱凱利，朱海龍，劉靖宇，等.基于圖卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測[J].智能計算機(jī)與應(yīng)用，2019，9（6）：168-170，177.

[4] 王天明，符天.卷積深度人工神經(jīng)網(wǎng)絡(luò)在城市交通流量預(yù)測中的應(yīng)用[J].電腦編程技巧與維護(hù)，2019（10）：158-159，170.

[5] 張佳寧.基于神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測模型研究[D].廣州：廣東工業(yè)大學(xué)，2016.

【通聯(lián)編輯：李雅琪】