交通网络多步速度预测：一种考虑时空相关性的深度学习方法

本文提出了一种新的深度学习结构，即注意图卷积序列到序列模型（AGC-Seq2Seq），将图卷积网络和注意机制集成到Seq2Seq框架中，以开发能够描述多步流量预测中时空相关性的预测模型。考虑到Seq2Seq模型的现有训练方法不适用于时间序列问题，我们在此提出的框架中设计了一种新的训练方法。

AGC-Seq2Seq，该框架通过Seq2Seq模型和图卷积层从时空域协同提取特征。为了克服多步预测的挑战并捕获城市交通模式的时间异质性，模型中进一步引入了注意机制。为Seq2Seq框架设计了一种新的训练方法，旨在多步交通预测，以取代现有的训练方法（即强制教学和计划采样）。它将多维特征（例如历史统计信息和一天中的时间）与时空速度变量协调在一个端到端的深度学习结构中，并使测试周期的输入与训练周期一致。

道路网建模为有向图，节点集N表示交点（路上的探测器或选定分界点），边集L代表路段。A是链接集的邻接矩阵。即如果链接li和链接lj是相连的，则A（i,j）=1。路段li在第t个时间段（5分钟）的速度定义为该时间间隔内车辆在该路段上的平均速度，用表示。第t个时间段道路网的速度定义为向量，其中第i个元素

经典的时间序列预测问题：最近历史m步观测数据可以为多步交通速度预测提供有价值的信息。但除了实时的交通速度信息外，还有一些外生变量，如time-of-day，weekday-or-weekend以及历史统计信息也有助于预测未来的交通速度。

time-of-day转换为有序整数N，比如00:00–00:05为，7:00–7:05为。weekday-or-weekend由变量