关键词:
交通预测
城市路网
图神经网络
空间相关性
异构图
异质性
转向关系
归纳学习
摘要:
【目的】准确、可靠的交通状态预测信息是智能交通系统(ITS)中许多应用的基础。然而,城市道路网络连接关系复杂,且存在较大的空间依赖性建模挑战。传统的图卷积神经网络(GCN)广泛应用于交通预测中,但其并未专门为交通问题设计,无法充分考虑交通网络的特性,如路段的行驶方向、转向规则等。因此,本研究旨在提出一种新的图卷积网络模型,能够有效建模城市交通路网中的转向关系,从而提升交通预测精度。【方法】研究从交通网络的特性出发,考虑到中心路段与其邻居路段的转向关系和相对位置构建了新型的图卷积网络,称为转向图卷积神经网络(Turn-based Graph Convolution Neural Network,TurnGCN)。TurnGCN方法将城市路网建模为异构图,图中的边代表路段间的转向关系。在计算过程中,TurnGCN通过引入转向表来标记邻居节点,并将节点特征映射为欧氏空间的特征栅格后,利用卷积神经网络(CNN)对节点特征进行融合。【结果】在2个现实世界交通数据集上进行了模型的对比实验:韩国首尔的Urban-150数据集和中国上海的SHSpeed数据集。实验结果表明,在多个评估指标上,TurnGCN的预测精度均达到最高,且参数量小于基于空间注意力机制的GCN变体。【结论】TurnGCN为城市路网交通预测提供了一种有效的解决方案,显式地建模了基于转向的空间关系。它有效克服了传统GCN和注意力机制模型的局限,显著提高了预测性能,同时参数共享的机制保持了模型的计算效率。这些优势突出了TurnGCN在智能交通系统中的实际应用潜力,尤其在交通流量优化、拥堵管理和智能导航系统中具有广泛的应用前景。