GE-GAN:一种新的道路交通状态估计深度学习框架

文章信息

《GE-GAN: A novel deep learning framework for road traffic state estimation》， 2020年发表在Part C上的一篇文章。

摘要

交通状态估计是智能交通系统(ITS)的一个重要基本功能。然而，收集到的交通状态数据在现实世界中往往是不完整的。本文提出了一种新的深度学习框架，利用相邻链路的信息估计道路交通状态。首先，基于图嵌入(GE)实现路网表示;其次，利用该表示信息，应用生成对抗网络(GAN)实时生成道路交通状态信息。最后，以加州第七区和西雅图地区的两个典型路网为例进行研究。实验结果表明，该检测器估计的道路交通状态数据比其他模型估计的数据具有更高的精度。

引言

本文的贡献主要有以下三点：

           1. 利用DeepWalk进行路网图的嵌入；它将路网转移到低维空间，获取目标道路交通状态传感器的表示信息。

            2. 生成对抗网络利用相邻链路的表示信息和道路交通状态信息，学习道路交通状态的数据分布，生成道路交通检测器的道路交通状态数据。此外，我们使用Wasserstein GAN (WGAN)对GAN模型进行训练，解决了原GAN模型训练困难的问题。

            3. 结果表明，基于GE-GAN的深度学习框架提高了精度，与现有的道路交通状态估计方法相比具有更好的性能。

本文的其余部分组织如下。第二节回顾了GAN和图嵌入的相关工作。第三部分详细描述了道路交通状态估计的方法框架。第四节给出了数值实验的结果和关于案例研究的讨论。最后在第五部分对本文进行了总结。

相关工作

GAN的简要介绍

在过去的几年中，深度学习方法在不同的领域得到了广泛的应用。与传统的神经网络相比，它们能够有效地从海量数据中提取特征。生成对抗网络(GANs)为学习复杂高维分布提供了一个强大的建模框架。GANs通过生成器G表示概率分布，生成器G可以直接从期望的分布中生成样本。设Pz(Z)为输入标准分布，Pdata(X)为训练数据分布，则GANs的极大极小目标定义如下：

 

图嵌入的简要介绍

图嵌入(GE)将网络中的节点赋给低维表示，有效地保持了网络的结构。分析这些表示就可以充分利用隐藏在图中的信息。图嵌入是一种很有前途的网络表示方法，能够支持后续的网络处理和分析任务，如节点分类、节点聚类、网络可视化和链接预测。

方法

路网表示

路网是由检测器和边组成的集合，如果两个检测器对应的链路是相邻的，则认为这两个检测器是相邻的，此时连接两个检测器的边的值为1，否则为0。

如上图所示，GE-GAN算法的道路交通状态估计框架由DeepWalk和GAN两部分组成。DeepWalk的目标是获得路网的表示向量，并获得相应的交通状态矩阵。然后，GAN利用交通状态矩阵作为对抗性训练的输入，生成目标检测器的交通状态数据。

基于DeepWalk的路网图嵌入

DeepWalk是一种典型的图嵌入方法，可以在图较大时并行训练。此外，它能够适应局部网络的变化，因为边和节点的变化只会影响一部分随机行走路径。它由两个主要部分组成:随机漫步生成和更新过程。在内容推荐和社区检测的各种问题中，随机漫步被用作相似性度量。Deepwalk可以利用网络中的相邻节点来实现目标节点的有效表示。对于道路网络，节点应该是道路交通状态检测器或道路段，因此道路网络的Deepwalk可以被认为是原始道路网络的有效空间表示。

DeepWalk的结构如上图所示，其中第一个过程为随机漫步的过程，在完成每个检测器的随机游走后，采用Skip-Gram算法来更新这些表示（对于随机漫步不是很了解，没有详细展开）。

基于生成对抗网络的道路交通状态生成

生成模型的目的是利用GE获得的表示信息生成目标检测器数据。该判别器提供监督，以确保生成的数据分布与真实数据分布相似。

为利用最相关检测器的空间信息，相关检测器在指定滑动窗口内的交通状态数据为:

其中l为滑动窗口的时间长度。滑动窗口包含了从时间t−l + 1到t的时间和空间信息

表示为第i个检测器的滑动窗口。生成器可以生成检测器的道路交通状态数据:

我们模型中GAN的结构如下图所示。

实验结果

为了更好地评价所提出的模型的性能，采用了两种类型的数据集，包括交通量和速度数据。其中交通量数据是加州交通第七区的数据，另一个数据集是在西雅图地区收集的交通速度数据。所有的交通状态数据分为工作日模式和周末模式。

分别对两个数据集进行单检测器和多检测器的交通状态估计实验，分析图嵌入和噪声对于实验的影响，并与四个基线模型进行对比，得出GE-GAN模型的有效性。

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！