交通数据综述

Savannah913

已于 2022-08-15 22:05:47 修改

阅读量2.2k

点赞数

分类专栏：图神经网络文章标签：深度学习 cnn 神经网络

于 2022-08-15 22:05:34 首次发布

本文链接：https://blog.csdn.net/weixin_45847320/article/details/126347969

版权

图神经网络专栏收录该内容

7 篇文章 0 订阅

订阅专栏

本文概述了基于图卷积网络（GCN）的交通预测方法，介绍了空域和频域图卷积，重点讨论了图时空网络、图自编码器和图注意力网络在模型结构和特征提取中的应用。研究了数据集、多源融合及未来研究趋势，包括动态图建模、多任务学习和图卷积优化。

摘要由CSDN通过智能技术生成

基于图卷积网络的交通预测综述 - 中国知网

对基于 GCN 的交通流预测模型进行归纳总结，从图卷积的基本定义出发，以频域图卷积和空域图卷积为主，介绍 GCN 的基本原理．

随后，通过对图时空网络、图自编码器以及图注意力网络的介绍，阐明该领域模型

的发展历程，分类综述不同预测模型的结构及特点．

在介绍常用交通预测数据集的基础上，以应用研究、模型研究以及多源数据融合为切入点，探讨了未来该领域的研究方向．

图卷积

空域图卷积

空域图卷积从节点域出发，通过特征的聚集直接在图上定义卷积操作以找到适用于图的可学习图卷积核．该过程将某中心节点与周围邻居节点的信息通过定义的聚合函数进行聚合，实现中心节点的特征更新。空域图卷积的通用聚合函数在消息传递神经网络中的定义被广泛应用。

频域图卷积

空域图卷积借鉴了欧氏空间的卷积，频域图卷积则从信号处理的角度利用图信号的傅里叶变换实现卷积操作．

无论是空域图卷积还是频域图卷积，本质上都是对图拓扑结构的建模利用，即空间特征的提取。基于 GCN 的交通预测大都建立在频域图卷积或空域图卷积的基础之上，通过图结构约束节点间的数据关系，利用图卷积对非欧氏空间数据进行结构化空间特征提取，实现交通预测。

基于 GCN 的交通预测模型

图时空网络

基于 CNN 的时序特征提取

STGCN 的模型结构由2 层时序卷积层与 1 层图卷积层组成了时空卷积模块。其中时序卷积层
将一维因果卷积作用于时间轴

在利用因果卷积提取交通数据的时序特征的基础之上，Graph WaveNet采用了扩张因果卷积，亦称作膨胀因果卷积或者空洞因果卷积。扩张因果卷积通过跳过一定的步长在输入序列上沿时间轴进行滑动，从而增加时序卷积操作的感受野。随着扩张因果卷积层数量的增加，其捕获的时序感受野的范围呈指数级增加。

通过将扩张因果卷积层按照扩张系数递增的顺序进行堆叠，使网络以更浅的深度捕获更长的序列特征。ST-3DNet中引入了 3D 卷积，从而实现端到端的交通拥堵状态预测以及人群流量预测。

针对不平衡空间分布的交通数据，使用少量训练数据实现模型训练，并通过迁移学习实现不同城市的交通流预测问题．在 MetaST模型中将 CNN 与 LSTM 相结合，构成其元学习网络模型。

基于ＲNN 的时序特征提取

时序图卷积网络 T-GCN，以历史交通数据作为模型的输入，通过 GCN 以及门控循环单元后获得预测结果．为了获取交通数据的时序特征， T-GCN 利用了参数较少并且训练更快的门控循环单元而非 LSTM 网络。

在其共享单车需求预测的模型以及出租车需求预测模型中使用了 LSTM 进行时序建模。GＲU 与 LSTM 作为时序依赖的循环网络建模方法，在许多实际需求问题上均取得了优异的预测效果。

图自编码器

在训练过程中，历史交通数据序列首先被输入

编码器，并使用其最终状态初始化编码器．在测试

过程中，预测值被用于替换真实值．

图注意力网络

GCN 由于依靠拉普拉斯矩阵的特征值，使得卷积操作难以抽离于整体的静态图结构，在图注意力网络(GAT)中，不同节点被分配以不同权重，训练过程凭借成对的相邻节点，而非具体图结构，即不依赖于整个图的全部信息。在时空图卷积网络的基础上，注意力机制被引入并广泛用于时空特征的提取。

基于注意力的时空图卷积网络 ( ASTGCN) 中，空间注意力矩阵可定义为

$S = V_{s}\sigma ((X^{-1}W_{1})W_{2}(W_{3}X^{-1})^{T}+b_{s})$

注意力矩阵 S 中元素 Si,j的值表示节点之间的相关性，并使用Softmax 函数确保注意力权重和为 1

在进行图卷积操作的过程中，邻接矩阵 A 与注意力矩阵 S'将同时动态地调整节点之间的权重关系以捕获空间维度上节点之间的动态相关性。

提取空间特征的注意力机制与元学习( meta learning) 相结合，使其注意力模块的权重从元知识中学习而来。在用于共享单车需求预测的 STG2Vec模型中同样利用注意力机制对空间特征进行提取。

为双分量图卷积( bicomponent GCN) 提出多范围注意力机制。其模型首先分别构建节点图与边缘图，在通过双分量图卷积实现边与节点交互的基础上，利用多范围注意力聚合邻域的信息，从而动态地了解不同聚合范围的重要性。

在门控注意力网络(GaAN) 中利用多头注意力机制( multi-head attention mechanism) 对节点及其邻居的特征进行聚合。与传统多头注意力机制不同，GaAN使用了卷积子网( convolutional sub-network) 来控制每个注意力头的重要性，并用以解决交通速度预测问题。

注意力机制可被用于辅助时空特征的提取，也可以借鉴 Transformer架构仅利用注意力机制完成交通预测任务。在图变换网络(GTN)中提出，传统 GCN 的结构固定，即其中邻接矩阵为图的固有属性不随模型训练过程而改变。GTN 则能够挑选有价值的多跳连接的元路径( meta-path) ，从而实现基于可学习图结构的预测。目的均是更有效地提取空间特征与时序特征。

未来研究方向

应用

交通预测领域内对图卷积网络的应用已日渐丰富，包括但不限于道路车辆流量预测、道路车辆平均速度预测、道路车辆占有率预测、道路交通状态预测、行人轨迹预测、车辆轨迹预测、通勤时间预测、轨道交通客流预测、物流时间预测、出租车需求预测以及共享单车需求预测等。目前的交通预测成果大多集中于短时常态预测，对于长时以及非常态下的研究相对较少，非常态交通预测（突发交通事故，人群大规模聚集，恶劣天气导致的路面结冰、积水等非常态情形）

模型

动态图建模

目前有研究者认为预定义的邻接矩阵并不能很好地反映节点之间真正的相关性及其时空依赖，反而从数据中学得的动态邻接矩阵在相关交通预测问题上表现出更加准确的效果。eg:通过数据驱动的方式学习优化图，动态拉普拉斯矩阵估计器，超图作为一种图的表示方法，由于可以表示个体之间的高阶关系与普通图相比，超边可同时连接多个节点，从而突破两两关系的限制。

多图卷积网络

时序多图卷积网络 ( temporal multi-graph convolutional network，T-MGCN) 中利用道路之间的空间相关性以及语义相关性构建多图，对多图分别进行图卷积后将结果融合，再通过 GＲU 提取时序特征，实现交通流预测。

通过路网节点之间的距离、方向以及位置关系构建多图神经网络。在复杂多层次交通数据的建模上，多图卷积网络取得了良好的效果。如何挖掘更深层次的多图表示，如何实现更高效的多图卷积操作，仍是目前及未来的研究热点。

多任务图网络

多任务学习的初衷在于仅关注单个任务可能会忽略相关任务中潜在但有益的信息。通过在一定程度上共享任务之间的参数或特征，可提升主要任务的表现。任务可以分为同构任务和异构任务．同构任务可直接共享模型的参数，从而降低训练中过拟合的风险。异构任务的模型不同，但通过在训练中共享中间层特征，从而相互提供额外信息。

将地理位置划分为交通单元，利用多任务学习对每个交通单元通过时间卷积实现乘客

需求预测。

利用多任务学习融合GPS 轨迹、智能手机数据和道路网络结构以估计出租车乘客的出行时间．多任务学习为深度网络模型提供了优化并利用了多源数据的潜力，在交通预测领域基于 GCN 的多任务学习框架仍具有很高的研究价值。

图卷积优化

GCN 可以使图信号更加平滑，这是图卷积的固有优势。但是，在 GCN 的层数不断加深时，其训练结果极易出现过平滑的情况。

一种解决思路是基于随机游走 ( random walk) 的协同训练方法。另一种增大图卷积感受野的

思路是自训练( self-training ) 方法。该方法首先训练带给定标签的 GCN，随后为每个类别选择最可靠的预测并将其添加到标签集中。在此基础上，使用预先训练的 GCN 继续使用扩展标签后的数据集训练GCN。

多源数据融合

交通数据类型多样并结构复杂，但同时相互影响且互为补充。

小样本学习

大多数交通预测的解决方案均通过密集的历史交通数据进行训练，极端天气、交通事故、交通管制以及其他异常事件等发生频率远低于交通数据采集频率，使得学习过程异常困难。因此，交通预测领域的小样本学习问题同样为未来研究方向之一。

元学习在监督学习领域为小样本学习提供了解决思路，元－图注意力模块与元－循环神经网络模块。其中注意力模块的权重是通过地理属性中提取的节点和边的元知识生成的，理论上可以对各种空间相关性进行建模，而循环神经网络根据每个节点的元知识生成门控循环单元的所有权重，从而实现元学习的 GCN 模型。

另一种思路是通过迁移学习来执行跨城市的交通预测任务，该思路旨在将交通知识从数据源丰富的城市转移到数据稀缺的目标城市。

跨媒体数据融合

由于难以从单一数据源全面且精准地捕获交通特征，并且针对体量大、时空跨度广以及结构复杂等特点，对多源交通数据进行融合、协同分析已成为该领域未来研究方向之一。因此，在 GCN 的基础上，通过多任务学习等方法融合多源异构交通数据具有广阔的研究前景。

交通知识图谱嵌入

交通运输领域的知识存在于海量多源异构的交通数据之中。对于交通知识图谱，未来主要研究图谱构建以及知识嵌入两方面内容。知识图谱构建方面，需要明确知识实体以及实体之间的多层次关联关系，挖掘跨域全时交通数据之间的深度关联与知识聚合，实现交通知识图谱构建。交通知识的嵌入对于交通预测模型而言可提供无法由交通流数据中学得的额外信息。