用于交通数据预测的深度时空3维卷积神经网络 (Deep Spatial–Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting)

在智能交通系统中,可靠的交通预测具有重要的意义,可以帮助决策者制定更好的管理策略,也可以帮助人们调整出行计划。但是,交通预测中存在一些挑战:

  • 空间相关性:相邻区域的交通数据具有一定的相关性
  • 时间相关性:相邻时间的交通数据具有一定的相关性
  • 异质性:不同地区和时间相关性的贡献并不相同

本文提出了一种基于深度学习的时空交通预测网络,ST-3DNet,用来解决时空网格数据预测问题。ST-3DNet结合了3维卷积和残差单元,提出了一种再校准模块来描述空间维度上相关性的不同贡献,并结合局部和长期的时间模式来达到较好的效果。

图1 ST-3DNet

本文在交通栅格化数据上进行预测。在栅格化数据中,交通观测值在固定的地点以固定的时间间隔进行记录,可以表示为Xt∈RC×I×J,(Xt)c, i, j=xtc, i, j。其中t表示时间间隔,I×J为空间上划分的网格,C为交通数据的不同记录值(比如拥堵状况、人流量)。这样,交通预测问题可以表示为:已知历史数据{Xt | t=0, 1, …, n},预测未来的Xn+Δt

图2 交通栅格化数据

ST-3DNet使用了3维卷积。在交通数据中,时间和空间可能具有较强的相关性,比如,某路段的拥堵可能在一段时间后传播到下一路段。2维卷积会将输入数据的第三维度加和,因此在这一情况下,时间维度的信息会丢失。与之相比,3维卷积在第三维度也会进行卷积操作,因此可以较好地保留时间维度上的信息,同时提取空间和时间维度上的特征。

图3 3维卷积

同时,本文观察到,在空间上,时空相关性对未来的结果具有不同的贡献。考虑到这种异质性,本文提出了一种再校准模块,在空间上,将其他维度的值进行加权求和,并用此结果进行预测。

图4 再校准模块

此外,交通数据在较长的时间段中可能具有周期性。考虑到这一特性,本文在ST-3DNet中使用了两个组件,一个接受局部相邻的数据(比如以6分钟为间隔),一个接受较长的周期数据(比如以一周为时间周期),并融合这两部分的结果,得到更为准确的预测。

图5 交通数据的周期性

在交通拥堵数据集TrafficBJ以及人群流动数据集TaxiBJ和BikeNYC,ST-3DNet取得了较好的效果。

图6 TrafficBJ测试结果

图7 TrafficBJ在较长时间下的测试结果

图8 TaxiBJ和BikeNYC的测试结果

本文提出了一种3维卷积的时空网络,可以较好地预测未来的交通数据,同时具有较好的普遍性,可以应用到更多的场景中。

参考文献:

[1] S. Guo, Y. Lin, S. Li, Z. Chen and H. Wan, “Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting,” in IEEE Transactions on Intelligent Transportation Systems, 2019, 1-14.

发表评论?

0 条评论。

发表评论


注意 - 你可以用以下 HTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>