基于圖神經(jīng)網(wǎng)絡的城市交通流量預測

朱虹錦 顏文勇

摘要：隨著社會發(fā)展，城鎮(zhèn)化的推進和人民生活水平的提升使得城市中的交通運輸車輛與日俱增。加之大量農(nóng)村人口流向城市，使得城市有限的空間內(nèi)一時間開始大量聚集眾多人口，在城市上下班高峰時期，各交通要道的機動車擁堵問題正困擾眾多城市的發(fā)展和城市居民的生活質(zhì)量。對此，城市交通運輸領域一直在探索交通流量的監(jiān)控與預測手段。這在傳統(tǒng)技術背景下似乎是一個難以完成的任務，但在信息技術高速發(fā)展的當下，智能化的城市交通系統(tǒng)開始出現(xiàn)，并利用信息技術、電子傳感技術、電子控制技術、計算機處理技術等逐步實現(xiàn)了城市交通調(diào)控與管理的智能化。在這一智能化交通系統(tǒng)中，交通流量的預測是其交通管理與調(diào)控的基礎性環(huán)節(jié)，而流量的預測數(shù)據(jù)也正是其他工作開展的重要依據(jù)。因此，在交通流量預測方面選擇科學有效的方法進行預測模型構建就成為影響城市智能交通系統(tǒng)作用發(fā)揮的重中之重。本文以圖神經(jīng)網(wǎng)絡為技術視角探討了城市交通流量預測模型的建構，希望能夠?qū)ΜF(xiàn)代智能交通系統(tǒng)的建設提供參考。

關鍵詞：圖神經(jīng)網(wǎng)絡;城市交通;流量預測模型

中圖分類號： TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）02-0154-02

1 智能交通系統(tǒng)與交通流量預測

1.1 智能交通系統(tǒng)

要對交通流量預測進行研究分析，首先就需要對現(xiàn)代智能交通系統(tǒng)的情況有基本的了解。這是因為交通流量預測是為城市智能交通系統(tǒng)服務的，交通流量預測也只有在城市智能交通系統(tǒng)的運行中才能體現(xiàn)出其真正價值。

所謂智能交通系統(tǒng)即是依托基礎理論模型，在融合現(xiàn)代信息技術、數(shù)據(jù)通信技術、電子傳感技術、計算機技術的情況下針對地面交通管理建立起的一套可以服務于城市大范圍內(nèi)的，能夠?qū)崿F(xiàn)實時、準確、高效的綜合運輸與管理的系統(tǒng)。該系統(tǒng)的最大優(yōu)勢在于能夠?qū)Τ鞘械缆方煌ㄟ\輸實施智能化的管控，從而提升城市交通運輸效率，減少城市交通為城市環(huán)境帶來的污染。這一智能交通系統(tǒng)最早美國進行研究與建設，我國則是從20世紀70年代才開始探索電子技術與信息技術在城市交通運輸領域的運用，而真正引入“智能”概念則是在20世紀90年代。但由于我國經(jīng)濟社會發(fā)展與城鎮(zhèn)化進程加快所引發(fā)的一系列城市交通問題日益凸顯，使得我國在之后的時間內(nèi)給予了智能交通系統(tǒng)的研究以高度重視，同時在交通領域掀起了一輪智能交通系統(tǒng)研究的熱潮。目前，我國智能交通系統(tǒng)的研究已經(jīng)在圖像識別技術、交通仿真技術、GPS技術、GIS技術以及交通流方面都取得了巨大突破。從整體上看，城市智能交通系統(tǒng)的研究與應用已經(jīng)成為必然趨勢，同時其對我國城市交通運輸事業(yè)發(fā)展所帶來的推動作用也是顯而易見的。

1.2 交通流量預測

由于城市交通運輸網(wǎng)絡的承載力是固定的，所以在進行交通流量的調(diào)控中就必須對其流量的狀態(tài)趨勢有一個準確的把握，如此才能對每條城市道路的交通流量都進行有效的調(diào)控，進而在最大程度上提升城市交通運輸網(wǎng)絡的利用率，減少城市交通擁堵的時間或發(fā)生的概率。在這一方面，對城市交通流量的預估就成為智能交通系統(tǒng)作用發(fā)揮的關鍵。交通流量預測就是結合以往城市交通數(shù)據(jù)的特點來來對未來一段時間內(nèi)的交通流量情況進行預估，從而為城市交通的調(diào)控提供參考依據(jù)。具體而言，要實現(xiàn)這一預測就必須先準確地獲取到城市路網(wǎng)中當前與過去各時段內(nèi)的交通流量信息，然后結合這些信息來建立起一個交通流量預測模型，如此就可以結合當前與歷史數(shù)據(jù)以及預測模型來對城市未來不同時間內(nèi)的交通數(shù)據(jù)進行預測?？梢哉f，交通流量預測的實現(xiàn)最重要的是數(shù)據(jù)信息的獲取和預測模型的建構。而在現(xiàn)代信息技術、通信技術以及GPS/GIS技術的支撐下，城市交通信息數(shù)據(jù)的獲取問題已經(jīng)迎刃而解，但采取何種方式進行更為有效的交通流量預測模型的搭建卻仍優(yōu)待進一步研究和實踐。而根據(jù)現(xiàn)有方法所進行的交通流量預測，其預測模型的精度提升一直都是一個巨大難點，因此在城市交通流量預測模型的建設中，就需要我們進一步對此問題展開深入研究。

2 圖神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡技術是人們從生物角度模擬生物神經(jīng)功能特征而研究出的一種能夠進行分布式并行信息處理的算法數(shù)學模型。其具有非線性、非局限性、非常定性以及非凸性的特點，能夠通過協(xié)調(diào)網(wǎng)絡內(nèi)部大量節(jié)點間的相互連接關系來達到信息處理和自學習、自適應的目的。而隨著人工神經(jīng)網(wǎng)絡的發(fā)展，許多機器學習任務基本都可以依靠端到端的深度學習模型來完成，如卷積神經(jīng)網(wǎng)絡等就是這些深度學習模式之一。但這種神經(jīng)網(wǎng)絡在處理圖的輸入方面則顯得有些無力，這是因為圖中沒有節(jié)點的自然順序。在此情況下，人們開始借鑒卷積網(wǎng)絡、循環(huán)網(wǎng)絡等思想來進行處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡結構的設計，由此就誕生了“圖神經(jīng)網(wǎng)絡”。

“圖神經(jīng)網(wǎng)絡”可以說是對以往神經(jīng)網(wǎng)絡的一次拓展，使得人工神經(jīng)網(wǎng)絡可以被用在圖數(shù)據(jù)的處理中。由于每一個圖中的每個節(jié)點都根據(jù)其特征與相關聯(lián)節(jié)點來進行定義，所以“圖神經(jīng)網(wǎng)絡”就是要對包含每個節(jié)點鄰域信息狀態(tài)嵌入 h v ∈Rs進行學習。正是由于圖神經(jīng)網(wǎng)絡在圖數(shù)據(jù)處理上的能力，該技術目前已經(jīng)被應用于結構化場景、非結構化場景之中。如當前的圖卷積網(wǎng)絡、圖注意力網(wǎng)絡、圖自編碼器、圖生成網(wǎng)絡與圖時空網(wǎng)絡都屬于圖神經(jīng)網(wǎng)絡的范疇。

3 基于圖神經(jīng)網(wǎng)絡的城市交通流量預測

由于人工神經(jīng)網(wǎng)絡具有深度學習的特點，所以神經(jīng)網(wǎng)絡一直都是城市交通流量預測模型建構中的研究方法之一。目前，已有的基于人工神經(jīng)網(wǎng)絡的交通流量預測模型是以以下表達式為基礎的。

其中Lt代表交通流量預測值，Wij為輸入層到隱含層的連接權值，θj代表隱含層單元的閾值，vjt為隱含層到輸出層的連接權值，γ代表輸出層單元的閾值。

但這種交通流量預測模型不是以城市交通網(wǎng)絡的圖結構數(shù)據(jù)為基礎的，所以此處就以圖神經(jīng)網(wǎng)絡中的圖卷積神經(jīng)網(wǎng)絡為基礎探討交通流量預測模型的建構。

3.1 圖卷積神經(jīng)網(wǎng)絡在交通流量預測中的應用

圖卷積神經(jīng)網(wǎng)絡是專門針對圖數(shù)據(jù)進行深度學習的技術，其以卷積神經(jīng)網(wǎng)絡為基礎，但以圖數(shù)據(jù)為研究對象。從城市交通網(wǎng)絡的情況看，其本質(zhì)上是一種圖結構，交通網(wǎng)絡中的媒介節(jié)點都可以當wt 圖上的信號。因此基于圖卷積神經(jīng)網(wǎng)絡的交通流量預測模型實際上就是利用譜圖方法將卷積操作延伸到圖結構數(shù)據(jù)上，而將城市交通的相關數(shù)據(jù)作為圖上的信號，進而在圖上對這些圖信號進行直接處理，從而獲取到空間內(nèi)有意義的模式與特征，然后再講譜圖轉化成代數(shù)形式來對圖的拓撲屬性進行研究。

3.2 基于圖卷積神經(jīng)網(wǎng)絡的交通流量預測

此處以城市中的公交網(wǎng)絡為例進行基于圖卷積神經(jīng)網(wǎng)絡的交通流量預測研究。

城市公交網(wǎng)絡可以看成一個圖，而公交站可以視為頂點、公交線路視為邊。公交站點定點處都有一個客流與周邊車流歷史值組成的特征向量，因此可以基于此定義出相鄰矩陣來對站點間的成對依賴關系進行編碼。根據(jù)這一思路，公交網(wǎng)絡就可以以一個通用的圖形來描述，再利用圖卷積神經(jīng)網(wǎng)絡就能夠捕捉到公交網(wǎng)絡層面的不規(guī)則時空依賴關系?；趫D卷積神經(jīng)網(wǎng)絡的交通流量預測原理具體如下。

1）利用圖代表公交網(wǎng)絡客流與周邊車流的時間序列

實踐中，根據(jù)歷史觀測可以對后續(xù)時間客流與周邊車流進行預測，此處就以一個圖表來對城市公交網(wǎng)絡進行定義，并對其結構化的時間序列流量進行關注。如圖1所示，圖中的頂點可以用V表示，邊用E表示，其加權鄰接矩陣則可以用W表示，而Vt則是在時間t時所有公交站客流與車流的向量。

2）圖卷積操作

本文使用的圖卷積如下：

其中x為圖信號、θ為核函數(shù)，“*g”為圖卷積的概念，代表θ與x的乘積。K為中心節(jié)點所確定的卷積最大半徑值，α為卷積核參數(shù)，L為圖拉普拉斯算子，σ為激活函數(shù)。

3）不規(guī)則時空依賴關系的捕捉

根據(jù)上述圖結構的公交網(wǎng)絡數(shù)據(jù)，就可以進一步利用圖卷積神經(jīng)網(wǎng)絡來對其不規(guī)則時空依賴關系進行捕捉。圖2 為以頂點i計算出的核大小為1的圖卷積。而頂點i與5各一階相鄰頂點的空間依賴關系則為圖2中的f（1）、f（2）、f（3）、f（4）、f（5）。

4）全網(wǎng)層面遙遠時空依賴關系的捕捉

在交通流量預測中，還需要從全網(wǎng)層面對更遙遠的時空依賴關系進行捕捉，實際操作中可以通過低階鄰接累積來獲得高階鄰接。尤其在城市整體公交網(wǎng)絡中，相鄰站點間的客流與車流會相互影響，同時相隔很遠的站點間也會存在時空依賴關系，這就需要利用多個圖卷積神經(jīng)網(wǎng)絡層來構建起一個更具有深度的圖卷積神經(jīng)網(wǎng)絡結構來對遙遠時空的依賴關系進行捕捉。如圖3所示。

4 結語

綜上所述，人工神經(jīng)網(wǎng)絡在城市交通流量預測上有著巨大的應用空間，而傳統(tǒng)基于神經(jīng)網(wǎng)絡的交通流量預測方式在實踐中存在一定弊端，所以從城市交通網(wǎng)絡圖的層面看，可以利用圖神經(jīng)網(wǎng)絡進行交通流量預測模型的構建，從而將交通數(shù)據(jù)視為圖像信號進行處理，如此可以對城市交通網(wǎng)絡中不規(guī)則的時空依賴關系進行準確捕捉，進而有效提升城市交通流量預測的準確性。

參考文獻：

[1] 李勁松，易明俊.城市交通流量預測模型的研究[J].微型電腦應用，2020，36（9）：92-96.

[2] 原二保.基于神經(jīng)網(wǎng)絡算法的交通流量預測建模與計算[J].現(xiàn)代電子技術，2020，43（10）：66-68，75.

[3] 朱凱利，朱海龍，劉靖宇，等.基于圖卷積神經(jīng)網(wǎng)絡的交通流量預測[J].智能計算機與應用，2019，9（6）：168-170，177.

[4] 王天明，符天.卷積深度人工神經(jīng)網(wǎng)絡在城市交通流量預測中的應用[J].電腦編程技巧與維護，2019（10）：158-159，170.

[5] 張佳寧.基于神經(jīng)網(wǎng)絡的城市交通流量預測模型研究[D].廣州：廣東工業(yè)大學，2016.

【通聯(lián)編輯：李雅琪】