基于时空异质图卷积的交通流量预测

交通流量预测在智慧交通建设中发挥着至关重要的作用。为了充分挖掘交通网络中结点之间的空间相关性，本文提出一种基于异质图的深度时空模型STREGCN。首先，本文提出将交通网络抽象为异质图，增强图的表达能力，进而充分捕获交通网络的空间相关性。其次，本文采用基于线性门控单元的一维因果卷积去充分提取交通流量的时间相关性。最后，本文设计时空卷积模块的输出经过全连接层获得最终的交通流量预测结果。本文在开源的交通数据集PEMSD8进行了预测区间为5分钟和30分钟的交通流量预测实验。实验结果表明STREGCN模型与大多数基线模型相比，在未来短期和长期的交通流量预测任务上都有更好的表现。

随着经济的快速增长，机动车的保有量不断增加，人们的出行也变得越来越便捷，但随着也产生了交通拥堵问题。根据中国城市规划设计研究院发布的《2022 年中国主要城市通勤监测报告》所知，2021年主要城市平均通勤时耗为36 分钟。报告还指出在44 个中国主要城市中，76%的通勤者45 分钟以内可达目的地，更为严重的是有超过1400 万人承受着60 分钟以上的极端通勤。交通流量预测对优化通勤效率具有重要意义。

然而，对交通数据的动态时空相关性进行建模以实现交通流预测具有挑战性，因为交通流通常表现出高度的非线性和复杂性[1]。例如，交通流量受其历史交通状况和上游道路状况的影响。目前国内外主要的交通流预测方法有传统方法预测和图卷积方法预测。其中传统方法预测的有基于支持向量机预测[2] [3]。基于图卷积的预测又分为基于同构图卷积的预测[4] [5] [6] [7]和基于异构图卷积的预测[8] [9] [10] [11]。此外，利用其他领域模型[12] [13] [14]进行交通流量预测也是一种重要的预测方法。

在交通流量预测研究的初期，Jiang 等人[15]提出将城市的交通道路信息建模为网格并利用卷积神经网络(CNN)对网格内的道路信息进行特征提取，由于将具有高维特征信息的交通路网降维为网格，导致交通网络的高维信息丢失，预测结果差强人意。

为了更好的挖掘交通网络的高维信息，获得节点与节点之间的空间相关性。Chen 等人[16]提出图卷积神经网络(GCN)使用了非欧几里得图结构表示交通路网以更好的捕捉路网的拓扑结构。

但是独立的GCN 不能很好的捕捉交通流量的时间相关性， 为解决这一问题， Zhao 等人[17]提出时间图卷积神经网络(T-GCN)，它引入GCN 捕捉交通路网的拓扑结构，以建模空间相关性。为了建模时间相关性，它又引入GRU 来获取道路上交通数据的动态变化。

虽然说T-GCN 对交通流量预测的精准度有明显提示，但是由于它使用GRU 模型，其含有大量的参数且不支持并行处理，导致算法训练起来困难。为解决这一问题，Yu 等人[18]提出时空图卷积网络(STGCN)，它使用切比雪夫近似简化的GCN 建模空间相关性，并引入完全卷积的时间卷积网络(TCN)去建模时间相关性，大大增加了模型的收敛速度。