基于时空注意力网络的动态高速路网交通速度预测_邹国建.pdf

第 49卷 第 2期2023年 2月Computer Engineering 计算机工程基于时空注意力网络的动态高速路网交通速度预测邹国建1，2，赖子良1，2，李晔1，2（1.同济大学 道路与交通工程教育部重点实验室，上海 201804；2.同济大学 交通运输工程学院，上海 201804）摘要：交通速度是影响高速路网通行效率和安全的重要指标，精准预测高速路网交通速度可以减少交通事故和通行时间，预先为交通控制提供有价值的参考信息，对高速公路管理具有重要意义。基于时空注意力网络，提出一种由数据和长期预测任务驱动面向动态高速路网的交通速度预测模型(ST-ANet)。通过图注意力网络提取高速路网的动态空间关联特征，使用长短期记忆网络提取输入数据的时间关联特征。在此基础上，采用基于多头自注意力机制的时间注意力网络计算历史输入数据和预测值之间的相关性，并利用密集连接和层归一化方法进一步提升模型性能。基于中国宁夏回族自治区银川市高速路网监测数据进行实验，结果表明，与 GCN-LSTM 模型相比，ST-ANet模型预测未来 1 h、2 h和 3 h内高速路网交通速度的平均绝对误差分别降低 4.0%、3.6%和 3.9%。关键词：交通工程；高速路网交通速度预测；ST-ANet预测模型；时间注意力；空间注意力；长短期记忆网络开放科学（资源服务）标志码（OSID）：中文引用格式：邹国建，赖子良，李晔.基于时空注意力网络的动态高速路网交通速度预测 J.计算机工程，2023，49（2）：303-313.英文引用格式：ZOU G J，LAI Z L，LI Y.Traffic speed prediction based on spatio-temporal attention network for dynamic expressway network J.Computer Engineering，2023，49（2）：303-313.Traffic Speed Prediction Based on Spatio-Temporal Attention Network for Dynamic Expressway NetworkZOU Guojian1，2，LAI Ziliang1，2，LI Ye1，2（1.The Key Laboratory of Road and Traffic Engineering，Ministry of Education，Tongji University，Shanghai 201804，China；2.College of Transportation Engineering，Tongji University，Shanghai 201804，China）【Abstract】Traffic speed is an important indicator of the efficiency and safety of expressway network traffic.The accurate prediction of expressway network traffic speed can reduce traffic accidents and transit time，provide valuable reference information for traffic control in advance，and is significant for expressway management.This paper proposes a speed prediction model based on Spatio-Temporal Attention Network（ST-ANet）for dynamic expressway networks driven by data and long-term prediction tasks，named ST-ANet.A Graph Attention Network（GAT）is used to extract the dynamic spatial correlation features of the expressway network and a Long Short-Term Memory（LSTM）network is used to extract the temporal correlation features of the input data.Consequently，a temporal attention network based on the multihead self-attention mechanism is used to focus on the correlation between historical input data and predicted values.In addition，this study also employs tricks to improve model performance，including dense connections and layer batch normalization methods.The evaluation experiments used monitoring data from the expressway network in Yinchuan City，the Ningxia Hui Autonomus Region，China.The experimental results show that compared with the GCN-LSTM model，the ST-ANet model reduces the Mean Absolute Error（MAE）of the expressway network traffic speed prediction in the next 1，2，and 3 h by 4.0%，3.6%，and 3.9%，respectively.【Key words】transportation engineering；expressway network traffic speed prediction；ST-ANet prediction model；temporal attention；spatial attention；Long Short-Term Memory（LSTM）networkDOI：10.19678/j.issn.1000-3428.00637770概述高速公路速度预测对于智能交通系统（ITS）至关重要，可为出行者和交通管理部门预先提供有用的交通信息1。目前，高速公路交通速度预测研究主要聚焦于短时预测，对于长时间速度预测能力略基金项目：国家自然科学基金（71961137006）。作者简介：邹国建（1993），男，博士研究生，主研方向为智慧高速运行云平台关键算法；赖子良，硕士研究生；李晔（通信作者），教授、博士。收稿日期：2022-01-17 修回日期：2022-03-16 Email：JamesLI开发研究与工程应用文章编号：1000-3428（2023）02-0303-11 文献标志码：A 中图分类号：TP182023年 2月 15日Computer Engineering 计算机工程显不足2。根据交通速度预测研究的特点，可以将现有的研究方法分为统计方法、传统机器学习方法和深度学习方法三类。统计方法成功应用于交通速度预测任务，包括历史平均模型（HA）和自回归综合移动平均模型（ARIMA）3-5。HA使用同一时间的历史数据的平均值 作 为 未 来 预 测 任 务 中 相 同 时 刻 的 预 测 值3。ARIMA 作为传统的时间序列预测方法，结合了移动平均和自回归分量来对历史时间序列数据进行建模4-5。然而，由于交通速度具有非线性的性质，参数化方法基于先验知识、理论假设和简单的数学统计，在精准预测交通速度方面表现不佳。传统机器学习方法缓解了统计方法遇到的难题，此类方法通过提取交通大数据中的非线性特征来提高预测的精准度6-10，如：VANAJAKSHI 等6提出一种支持向量机（SVM）的回归技术用于交通速度的 短 期 预 测；JIANG 等7使 用 隐 马 尔 可 夫 模 型（HMM）来表现单个车辆的速度与路段交通速度之间的统计关系；SHIN 等8提出一种基于随机模型的车速预测算法，使用具有速度约束的马尔可夫链作为基础；ZHANG 等9提出一种基于高阶多元马尔可夫模型的交通因素状态网络模型（TFSN）来建立速度与相关因素之间的关系。然而，传统机器学习方法主要提取浅层数据特征，无法对复杂的交通路网时空数据特征进行深度建模2，7-9。相比传统机器学习算法，深度学习技术在处理复杂的非线性交通数据方面优势更为明显11-14，在相关研究中：CSIKS11等使用人工神经网络（ANN）进行交通速度预测；JIA等12提出深度信念网络（DBN）模型用于短时交通速度预测；TANG等13提出一种基于改进模糊神经网络（FNN）的交通速度预测模型。然而，这些方法处理复杂的交通路网时空数据特征能力有限，迫切需要更为有效的深度学习方法。循环神经网络（RNN）是一种用于时间序列预测任务的深度学习方法，可以有效提取数据的时间关联特征15。目前，许多交通速度预测任务使用RNN作为时序特征提取器来提高预测精准度16-20，在相关研究中：GU 等17建立一种基于长短期记忆（Long Short-Term Memory，LSTM）网络和 GRU 的新型融合深度学习（FDL）模型，以捕捉车道短时速度预测的时空特征；WANG 等18使用双向长短期记忆神经网络对每个关键路段进行建模的方法（Bi-LSTM NN），使用堆叠Bi-LSTM 层来合并时间信息。上述方法使用 RNN作为特征提取器来提取交通数据的时间的相关性，但是忽略了数据的空间相关性对预测产生的影响。为解决RNN遇到的问题，基于CNN的时空预测模型被广泛应用于交通速度预测任务中21-27，在相关研究中：为捕捉复杂的动态交通信息，ZHOU等25提出一种称为时空深度张量神经网络（ST-DTNN）的速度预测方法，主要用于混合道路类型的大规模城市网络；YANG等26提出基于路径的速度预测神经网络（PSPNN），其由CNN和双向 LSTM（Bi-LSTM）网络组成，用于提取历史数据的时空特征，实现基于路径的速度预测；ZANG等27提出一种基于 CovLSTM 的多尺度时空特征学习网络（MSTFLN），用于高架公路长期交通速度预测的研究任务。然而，传统的 CNN 只适用于欧几里得空间结构数据，而交通数据具有非欧几里得空间性质。因此，基于 CNN的交通速度数据空间特征提取存在较大的缺陷。最新研究将 CNN 扩展到可以处理非欧几里得空间结构数据的图卷积神经网络（GCN）28，并且已成功应用于交通预测任务中，其中包括交通速度预测29-31。高速路网中每条道路之间的相关性随着时间动态变化，而 GCN 受限于捕获高速路网的动态空间相关性。考虑到图注意力网络（GAT）可解决动态的空间相关性问题32，本文提出一种基于时空注意力网络的动态高速路网速度预测模型（ST-ANet），结合 GAT和 LSTM 设计高速公路网络时空特征提取块（GLSTM-block）。首先使用基于空间注意力机制的GAT 网络提取高速路网的动态空间相关性，然后通过 LSTM 网络提取输入数据和 GAT输出特征的时间相关性，最后基于时间注意力机制计算历史输入数据和预测值之间的时间相关性。1高速公路速度数据本文的研究区域为中国宁夏回族自治区银川市滨湖新区的高速路网，如图 1所示，共采集 8个高速公路收费站的ETC行车数据，包括49条高速公路路段的交通速度数据。高速公路交通速度数据包括速度、时间和道路位置三个因素，时间跨度为 20