基于图注意力网络和天气权重的短时车速预测_黄智远.pdf

第 59 卷 第 1 期2023 年 1 月南京大学学报（自然科学）（NATURAL SCIENCE）Vol.59,No.1Jan.,2023JOURNAL OF NANJING UNIVERSITY基于图注意力网络和天气权重的短时车速预测黄智远1,2,张惠臻1,3*,尹航1,潘玉彪1,王靖1（1.华侨大学计算机科学与技术学院，厦门，361021；2.大数据智能与安全福建省重点实验室，华侨大学，厦门，361021；3.南威软件股份有限公司，泉州，362000）摘要：城市道路短时车速预测是智能交通系统中的一个重要组成部分，也是城市道路交通信号灯控制、公交调度、出行线路搜索等具体应用任务的基础.目前这方面的研究热点多是使用图卷积神经网络捕获空间特征，再使用直接的线性拼接方法进行特征处理，在准确度上有不足.针对短时车速预测的高准确性要求，提出一种融合图注意力网络、门控循环单元和天气权重因子的深度学习预测模型（Graph Attention Network Based with Weather Weight，W2GAT）.其中，图注意力网络利用注意力机制捕获城市道路空间信息，门控循环单元用于提取车速时间特征，重点关注待预测点周边的路面车速情况；在特征处理方面，将天气因素作为可变权重超参数与具体的道路车速特征进行融合，提高预测的准确性.实验结果表明，和现有模型相比，W2GAT 模型预测结果的均方根误差平均降低 7.5%，准确率平均提升 4%，能够较好地反映实际路面情况下未来短时的车速特征，为具体应用提供数据支撑.关键词：智能交通，短时车速预测，图注意力网络，门控循环单元，天气因素中图分类号：U495 文献标志码：AShorttime speed prediction based on graph attention networks and weather weightsHuang Zhiyuan1,2,Zhang Huizhen1,3*,Yin Hang1,Pan Yubiao1,Wang Jing1(1.Department of Computer Science and Technology，Huaqiao University，Xiamen，361021，China；2.Fujian Key Laboratory of Big Data Intelligence and Security，Huaqiao University，Xiamen，361021,China；3.Linewell Software Co.，Ltd.，Quanzhou，362000，China)Abstract:Shorttime urban roads speed prediction is an important component of intelligent transportation system.It is the basis of specific application tasks such as traffic signal control，bus scheduling and travel solutions search.In some current studies，researchers use Graph Convolutional Network(GCN)to capture spatial features and use simple splicing methods in feature processing.A deep learning prediction model(Graph Attention Network Based on Fusing Weather Weight，W2 GAT)incorporating Graph Attention Network(GAN)，Gate Recurrent Unit(GRU)and weather weight control，is proposed for the high accuracy requirement of shorttime speed prediction.In this model，the graph attention network is used to capture spatial information of urban roads.Compared with the graph convolutional network，the graph attention network uses the attention mechanism to focus on the road around the point which needs to be predicted.The gate recurrent unit is used to extract temporal characteristics of the vehicle speed，which has better performance compared with the Long Short Term Memory(LSTM)network.In the feature processing，weather factor is taken into account.This model regards the weather parameter as a hyperparameters,changing with the certain weight of weather according to the actual situation.This strategy improves the prediction accuracy and has certain practical significance.Experimental results show that compared with existing DOI：10.13232/ki.jnju.2023.01.016基金项目：国家自然科学基金（61802133），福建省科技计划重点项目（2020H0016）收稿日期：2022-07-18*通讯联系人，Email：南京大学学报（自然科学）第 59 卷models，prediction results of W2GAT model reduce the rootmeansquare error by 7.5%and improve the accuracy by 4%on average respectively，which betterly captures road speed characteristics under actual conditions and provide data support for specific applications.Key words:intelligent transportation,shortterm traffic speed prediction,Graph Attention Network(GAN),Gate Recurrent Unit（GRU）,weather factor据公安部统计，截至 2021 年 6 月，全国机动车 保 有 量 为 3.84 亿 辆，同 2019 年 相 比 增 加 了3600万辆.如此大体量的机动车保有量对交通系统是一个不小的挑战，容易引发交通拥堵、环境污染等众多问题，需要有合适的治理措施或行车出行的引导方案来促进城市交通系统的正向发展.在当今大数据和人工智能的时代，城市交通领域的 智 能 交 通 系 统（Intelligent Transport System，ITS）应运而生，它包含城市道路车流控制、公共交通客流分析等诸多内容，其中道路车速预测是交通信号控制、公交组织等实际应用的基础，有利于决策者制定合适的策略引导市民出行，提升城市交通服务品质.为了更准确地预测车速，目前业界主流的方法是采用深度学习技术.本文在分析现有相关工作的基础上，提出一种融合图注意力网络、门控循环单元和天气权重因子的城市道路短时车速预测模型 W2GAT.模型由两层构成，下层模型采用图注意力网络（Graph Attention Network，GAT）来获取道路网络的空间特征，上层模型采用循环门单元（Gate Recurrent Unit，GRU）来获取道路车速的时间特征.同时，模型在数据处理上除了考虑道路车速本身之外，还将天气因素赋以权重抽象融合到车速预测中，根据城市的区域性实际情况调整各类天气的权值，这样可以更好地反映路面状况，获得更准确的预测结果，有利于实际应用.1 相关工作 针对交通量的智能预测方法经历了较长时间的发展，大致可以分三个阶段：基于统计学的预测方法、基于神经网络的预测方法、混合模型预测方法.基于统计学的预测方法，常见的模型有自回归移动平均差分模型（Autoregressive Integrated Moving Average Model，ARIMA）1、卡尔曼滤波等，ARIMA 模型因其简单快速的特点得到了最广泛的使用.Kumar2使用季节性 ARIMA 模型，利用自相关函数和偏自相关函数对印度清奈某三车道进行车流量预测.然而，ARIMA 是一个利用数据发现规律的模型，在输入时需要较多的历史数据，而在很多实际场景下能获得的数据不满足ARIMA 模型的需求.为了解决这一问题，Kumar and Vanajakshi3在前文工作2的基础上进一步使用卡尔曼滤波进行车流量预测，只需输入待预测日前两天的交通流量数据，使用时间更新方程和校正方程，结合先验与后验估计进行预测，实验结果表明该方案的平均绝对百分比误差小于 10%，具有较好的适用性.吴成伟4使用基于特征影响力的 XGBoost模型来预测未来的旅行时间，实验证明该方法具有训练时间短、泛化能力强的优点.陶楚青5提出 PSOSVMGARCH 方法，旨在提升高速路车速单步预测的效率和精度.传统方法只能利用线性特征，而使用神经网络可以较好地捕获非线性特征，能获得更好的预测效果.在神经网络方法中，致力于时间序列处理的循环神经网络（Recurrent Neural Network，RNN）及其变种，如长短期记忆网络（Long ShortTerm Memory，LSTM）、循环门单元（Gate Recurrent Unit，GRU）等，都得到了广泛的应用.为了提升 LSTM 网络的性能和精度，Chen et al6在传统 LSTM 网络上增加注意力机制，能够更好地利用当前时刻前后的车流量数据.Zou et al7针对LSTM 不能处理空间联系的缺点，使用 Pearson系数来挖掘道路观测点之间的空间相关性，提升了预测性能.除空间因素外，天气因素也是预测任务中经常使用的特征之一.雷晓8利用集成学习的方法，将考虑不同训练因素的 LSTM 网络进 166第 1期黄智远等：基于图注意力网络和天气权重的短时车速预测行整合，提高了预测精度.玉珏等9利用 LSTM网络，根据天气与节假日因素将交通流量数据集划分成不同的子集对模型进行训练，并使用对应的模型预测未来相应因素的交通流量.混合模型是当前预测主要使用的方法.和使用单个模型相比，混合模型能将多个模型的优点结合起来以提升预测精度.Luo et al10将机器学习中的 K 近邻算法（KNearest，KNN）与 LSTM相结合进行道路路口车流量信息的预测.Liu et al11提出一种 SDLSTMARIMA 混合预测模型，在模型运行过程中，将数据的时间奇异性与 dropout模块中的概率进行比较，并以不相等的时间间隔对它们进行组合.Zhao et al12提出 TGCN 模型，使 用 图 卷 积 网 络（Graph Convolution Network，GCN）捕获道路空间信息，使用 GRU