基于深度学习的短时交通流量预测（TCGCN）

引言

提出一种基于TCGCN的短时交通流量预测模型，该模型结合了TCN和GCN两种强大的时序预测模型，并通过多尺度卷积和自注意力机制改进网络结构，有效提高模型短时交通流量预测的精度。

TCGCN

TCGCN结合了时间卷积网络（TCN）和图卷积网络（GCN）的特性，以便有效处理图时间序列数据[35]。
TCN中每个卷积层使用扩张卷积，以便捕捉时间序列数据中的长期依赖关系。扩张卷积可以表示为：

卷积操作后，每个卷积层都通过一个修剪操作（Chomp1d），以确保卷积不会引入未来的信息。修剪操作的目的是从卷积输出中去除多余的时间步，这些时间步是由于扩张卷积和填充引入的。这一步是TCN处理时间序列的关键部分，确保了因果关系和时间一致性。

为了加强网络的学习能力并避免在深层网络中出现的梯度消失问题，TCN模块使用残差连接，可以表示为：

整体结构

实验

数据集

使用了两个基于实际采集的大型交通数据集SZ-taxi数据集和Los-loop数据集，以深入分析和预测城市交通流量和速度变化。这两个数据集分别来源于深圳市和洛杉矶市，包含了丰富的交通流量和速度信息，对于研究城市交通系统的动态性和复杂性具有重要意义。

Z-taxi数据集专注于中国深圳市罗湖区的156条关键城市道路，涵盖了2015年1月份整个月的出租车轨迹数据。该数据集的构成包括两个核心部分，分别为邻接矩阵和速度特征矩阵，其中，邻接矩阵尺寸为156x156，每一行和每一列对应一条特定的道路，矩阵元素值表示道路之间的直接连接情况，这是理解城市道路网络结构的关键。速度特征矩阵按照15分钟间隔记录了各条道路上的速度变化。

Los-loop数据集包含了美国洛杉矶高速公路的交通数据，时间跨度为2012年3月1日至3月7日，这一期间的数据由207个环路探测器以每5分钟一次的频率实时采集。数据集的构成同样包括两部分，分别为探测器间距离的邻接矩阵和时间序列特征矩阵，其中，探测器间距离的邻接矩阵描述了各个环路探测器之间的距离关系，反映出高速公路网络中各节点的空间关联性，时间序列特征矩阵记录了每个探测器在不同时间点监测到的速度数据，这些数据有助于分析高速公路上的交通流动性和拥堵情况。

实验框架

基于TCGCN的短时交通流量预测实验框架如图3.2所示，首先将数据集划分为训练集、验证集以及测试集，划分比例为7：1：2；然后，选择五种深度模型以及TCGCN，使用本文数据集进行训练，模型训练完成后，使用测试集进行评估，评估指标包括MAE、R2、RMSE以及Accuarcy；最后，对模型性能进行分析，包括预测结果可视化以及不同维度模型对比。

不同模型对比

TCGCN模型在四个评价指标上显著超越其他模型，展现出卓越的性能，在MAE方面，TCGCN比最接近的TCN模型低了7.8%，表明其预测的准确性更高。R2达到了0.91，比次高的TCN提高了16.7%,RMSE方面，TCGCN比TCN降低了8.6%，显示出更少的预测误差，在准确率上，TCGCN达到了0.93，相比GRU提升了6.9%。

为进一步展示TCGCN模型的优势，随机选择测试集的两个节点测试，预测结果可视化如图3.3所示，可知，TCGCN的预测结果更符合真实值的取值，尤其是在峰谷时，TCGCN模型具有更小的预测误差。

不同节点对比

为进一步分析改进TCGCN在不同节点交通流量预测的准确性，设置预测步长为1，随机选择五个交通节点进行测试，可视化预测结果如图3.4所示。可知，改进TCGCN在不同节点的表现略有不同，但总体上预测趋势基本吻合真实值趋势，在部分峰谷时，模型预测欠佳。