【交通流预测】Hierarchical Traffic Flow Prediction Based on Spatial-Temporal Graph Convolutional Network

文章思路：

挑战：实际道路时空相关性复杂，交叉口监控设备的局限性。

• 提出了新的分层交通流预测的基础上时空图卷积网络（ST-GCN），结合了交叉口交通的空间和时间依赖性，以实现更准确的交通流预测。
• 提出的基于AdjacentSimilar算法的交叉口交通流预测方法无需历史数据，也能有效预测交叉口的交通流。
• 同时考虑了外部因素

引言

空间依赖性：城市的拓扑结构决定了交叉口之间的相互依赖性。上游交叉口的交通流输出直接影响下游交叉口的交通流输入，下游交叉口的交通流也反馈到上游交叉口。

交叉口A处的车辆向四个方向流动，分别进入相邻的四个交叉口，同时四个方向的车辆汇入交叉口A。A处流量与B、C、D和E处的交通量密切相关。由于交叉口之间的相互影响，它们具有相似的交通流趋势。

【补充】

AdjacentSimilar算法是一种基于路段相似性的交通流预测方法，它利用相邻路段之间的关系来进行预测。这种方法的原理是：相邻路段的交通流量之间存在一定的相关性，即如果一个路段的交通流量发生变化，那么与其相邻的路段的交通流量也可能发生变化。

因此，相较于其他基于历史数据的预测方法，AdjacentSimilar算法无需依赖过去的数据，它只需要当前时刻的路段交通流量数据就能进行预测。这也意味着该方法不需要进行大量的历史数据的存储和处理，因此在某些情况下可以更加高效。

不过需要注意的是，尽管AdjacentSimilar算法无需历史数据，但是它对于相邻路段之间的关系假设比较强，因此在实际应用中可能存在一定的误差。因此，在选择交通流预测方法时，需要根据具体情况来进行选择。

时间依赖性：交通流随时间动态变化，主要是周期性。当前时段的交通流与先前时段的交通流之间的时间依赖关系。

 无数据交叉口的流量数据预测通常比较困难。

本文贡献：

1. 在没有历史数据的情况下处理交叉口的交通流量预测问题。
2. 提出了一种新的ST-GCN的分层协议的交通流量预测。利用GCN提取空间相关性和GRU提取时间相关性，相邻相似算法预测的交叉口没有历史数据。

相关工作（以往模型）

交通流预测方法主要分为两类：参数模型和非参数模型。

参数模型：自回归滑动平均（ARIMA）、卡尔曼滤波等。

非参数模型：能够从训练数据中自由地学习任何函数形式，而无需强假设。包括K-近邻（KNN）、支持向量机（SVM）等。

神经网络：贝叶斯网络中高斯混合模型（GMM）、深度信念网络（DBN）、堆叠自动编码器模型 长短期记忆（LSTM）网络、Gated Recurrent Unit (GRU)

空间依赖性：卷积神经网络、残差神经网络

时空融合依赖性

非欧结构：图卷积神经网络

问题定义

目的是在一个普遍的或者交叉口的历史交通流量数据未知情况下，预测城市交叉口的未来交通流量

 时空依赖模型

空间依赖性：利用GCN模型的交叉口的拓扑结构的空间依赖性。

GCN的目标：提取不规则拓扑图的空间特征。实现方式：空间域方法和频谱域方法。

• 空间域方法：通过查找每个顶点的相邻点并提取相邻节点特征来提取空间特征。适用于具有简单图结构和较少节点的情况。
• 频谱域方法：图论实现图的卷积，利用图的拉普拉斯矩阵的特征值和特征向量来研究图的性质。

时间依赖性：使用GRU捕获的依赖性大的时间步长的距离。

外部依赖性：每日天气根据当日平均气温和天气情况进行编码，日期根据节假日信息进行编码。

无历史数据的交叉点

1)幸运邻居路口：存在具有历史数据的相邻交叉口。

2)孤立的交叉点：对于孤立的交叉点，在其任何方向上都不存在具有历史数据的相邻交叉点。

 分层交通流预测方法：

首先,构造ST-GCN模型与历史数据预测未来的十字路口。然后,设计一个Adjacent-Similar算法没有历史数据预测未来交通的十字路口。

STGCN：

输入数据是三个周期性特征和额外影响因素特征的时间序列。在GRU网络中引入了三个周期特征的结构。

• 额外的影响因素：天气和假期因素。对于天气因素，考虑天气条件和温度，我们将每小时的天气分为四种天气条件，即晴天，多云，雨天和雾，分别对应天气代码0到3。
• 对于节假日因素，我们标记每天是否为节假日。节假日因素主要考虑工作日和节假日的影响，其中工作日特征对应0，节假日特征对应1。

相邻相似算法

包括相邻算法和相似算法，以预测没有历史数据的交叉口与有历史数据的ST-GCN模型的交叉口的交通流量。

相邻算法：对于幸运邻居交叉口，使用城市出租车轨迹数据作为辅助数据。

测量交叉口距离-----估计B、C和D的车辆到达交叉路口A所需的时间------计算A处的一部分流量-----假设东边的补偿流量-----A处总流量-----孤立的交叉口可以转换为幸运邻居交叉口

 相似算法：议通过根据拓扑结构和位置因素探索它们的相似交叉口来预测它们的交通。

城市出租车数据--------出租车流量-------比较无历史数据路口出租车流量与有历史数据路口出租车流量的差异--------最小差异->最相似的交叉点。孤立交叉口的交通流量可以由它们的相似交叉口代替。

联合相似相邻算法

1. 对于没有历史数据的交叉口，首先判断其是否为幸运邻交叉口。如果它是一个幸运邻居交叉口，我们根据其相邻交叉口的交通量计算其未来的交通流量，并更新其属性。如果它不是幸运邻居交叉点，我们等待直到所有幸运邻居交叉点的计算已经完成。
2. 在处理所有的幸运邻居交叉点之后，我们再次判断剩余交叉点的属性。此时，某些孤立交叉点的属性可能会更改为幸运相邻交叉点。因此，我们仍然可以通过基于其相邻交叉口的交通量的Adjacent算法来计算其交通流量。我们重复上述迭代，直到没有孤立交叉点可以转换为幸运邻居交叉点。
3. 对于其余的孤立交叉口，我们不能使用相邻算法来预测其交通流量。因此，我们通过相似算法在有历史数据的交叉口中寻找它们的相似交叉口，并将相似交叉口的交通流量作为它们的未来交通流量。

实验

数据集：来自中国青岛的交通数据

• 十字路口的交通信息。在青岛100条十字路口车辆的数据传递信息,包括十字路口ID、车辆ID、时间戳。
• 出租车轨迹信息。全球定位系统(GPS)的出租车数据信息。包括纬度,经度,车辆ID、时间戳。

 添加天气和假日特征对模型性能的改善有很好的效果。

 对比发现模型优点：

预测精度高