时空图神经网络在交通流预测研究中的构建与应用综述

doi:10.3778/j.issn.1002-8331.2307-0133

摘要/摘要

摘要：交通流量预测是城市交通管理和规划中的关键问题，而传统预测方法在面对数据稀疏性、非线性关系和复杂动态性等挑战时表现不佳。图神经网络是一种基于非欧结构数据的深度学习方法，近年来在各种复杂网络建模和预测任务中得到广泛应用。为了应用于交通流量预测领域，提出了时空图神经网络，其能够捕捉空间和时间相关性，相较之前的预测模型有显著进步。对近年来使用时空图神经网络进行交通流量预测的模型进行分析，概述和比较了多种邻接阵的构造方式，然后从空间相关性和时间相关性的角度列举了构建交通流预测模型的常用组件，并对不同的时空融合方式进行了分类和对比；在应用方面，根据时间尺度的不同将时空图神经网络模型分为长期预测、短期预测与兼顾长短期的预测三类，分析了各自的目标与要求，并列举比较了近年来较为突出的新模型。最后，讨论了现有研究的局限性，对相关模型的未来研究做出展望。

关键词: 智能交通, 交通流量预测, 时间序列预测, 深度学习, 图神经网络

摘要：交通流预测是城市交通管理和规划中的一个关键问题，然而传统的预测技术在解决数据稀疏性、非线性关联和复杂动力学等挑战方面证明是不够的。图神经网络是一种基于非欧几里德结构数据的深度学习方法，近年来广泛应用于各种复杂网络建模和预测任务。为了解决交通流预测问题，提出了一种时空图神经网络，它可以捕获空间和时间相关性，与早期的预测模型相比取得了显著进步。对近年来利用时空图神经网络进行交通流预测的模型进行了分析。首先，对各种邻接矩阵的构造方法进行了总结和比较。然后，从空间相关性和时间相关性的角度列出了交通流预测模型的常见组成部分，并对不同的时空融合模式进行了分类和比较。在应用方面，基于时间尺度，时空图神经网络模型可分为三类：长期预测、短期预测和长短期组合预测。对各自的目标和条件进行了分析，并列举和比较了近期的主要模型。最后，讨论了现有研究的局限性，并对相关模型的未来研究进行了展望。

关键词： 智能交通，交通流量预测，时间序列预测，深度学习，图形神经网络

汪维泰, 王晓强, 李雷孝, 陶乙豪, 林浩. 时空图神经网络在交通流预测研究中的构建与应用综述[J] ●●●●。计算机工程与应用, 2024, 60(8): 31-45.

王卫泰、王小强、李雷肖、陶一浩、林浩。时空图神经网络在交通流预测中的构建与应用综述[J]。计算机工程与应用，2024，60（8）：31-45。

参考文献

[1] 韩磊，杜斌，孙磊，等.基于动态多方位时空深度学习的交通速度预测[C]//第27届ACM SIGKDD知识发现与数据挖掘会议论文集，2021:547-555。
[2] 李忠，李磊，彭毅，等.一种用于动态交通流预测的两流图卷积神经网络[C]//2020 IEEE第32届人工智能工具国际会议论文集，2020：355-362。
[3] 潘Z，梁毅，王伟，等.基于深度元学习的时空数据的城市交通预测[C]//第25届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2019:1720-1730。
[4] 刘宜成, 李志鹏, 吕淳朴, 等.基于动态时间调整的时空图卷积路网交通流量预测[J] ●●●●。交通运输系统工程与信息, 2022, 22(3): 147-157.
刘永中，李振平，LV C P，等.基于dtw算法时空图卷积的网络交通流预测研究[J]。运输系统工程与信息技术杂志，2022，22（3）：147-157。
[5] 舒曼D I，南朗S K，FROSSARD P，等.图形信号处理的新兴领域：将高维数据分析扩展到网络和其他不规则域[J]。IEEE信号处理杂志，2013，30（3）：83-98。
[6] 耿X，李毅，王磊，等.用于骑手需求预测的时空多图卷积网络[C]//AAAI人工智能会议论文集，2019:3656-3663。
[7] 邵伟，金Z，王S，等.基于动态多粒度关注的长期时空预测[J]。arXiv:2204.11008，2022年。
[8] 李明，朱忠.用于交通流预测的时空融合图神经网络[C]//AAAI人工智能会议论文集，2021:4189-4196。
[9] 张伟，ZHU F，LV Y，等.基于时空神经网络的自适应图学习交通预测算法AdapGL[J]。运输研究C部分：新兴技术，2022，139:103659。
[10] CHAI D，WANG L，YANG Q.基于多图卷积网络的自行车流量预测[C]//第26届ACM SIGSPATIAL国际地理信息系统进展会议论文集，2018:397-400。
[11] JIN G，XI Z，SHA H，等。用于城市交通的深度多视图图形网络？呼叫需求预测[J]。神经计算，2022510:79-94。
[12] WU Z，PAN S，LONG G，等.用于深度时空图形建模的图形小波网络[J]。arXiv:1906.001212019年。
[13] 李毅，于蓉.扩散卷积递归神经网络：数据驱动的交通预测[J]。arXiv:1707.019262017年。
[14] WU Z，PAN S，LONG G，等.连接点：多变量时间序列预测与图神经网络[C]//第26届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2020：753-763。
[15] 王杨, 郑津, 刘影, 等.基于自适应门控图神经网络的交通流预测[J] ●●●●。计算机应用研究, 2022, 39(8): 2306-2310.
王毅，郑洁，刘毅，等.基于自适应门限图神经网络的交通流预测[J]。计算机应用研究，2022，39（8）：2306-2310。
[16] SHEN Y，LI L，XIE Q等。用于交通速度预测的双塔时空图神经网络[C]//知识发现和数据挖掘的进展：第26届亚太会议，成都，2022年5月16日至19日。查姆：施普林格国际出版社，2022:406-418。
[17] SONG C，LIN Y，GUO S，et al.时空同步图卷积网络：时空网络数据预测的新框架[C]//AAAI人工智能会议论文集，2020:914-921。
[18] RONNEBERGER O，FISCHER P，BROX T.U-Net:用于生物医学图像分割的卷积网络[C]//第18届医学图像计算和计算机辅助干预国际会议论文集，慕尼黑，2015年10月5日至9日：234-241。
[19] 于斌，尹赫，朱忠.ST-UNet:一种用于图形结构时间序列建模的时空u-网络[J]。阿西夫：1903年。05631, 2019.
[20] LEI X，MEI H，SHI B，et al.基于稀疏数据的网络级交通流过渡建模[C]//第28届ACM SIGKDD知识发现和数据挖掘会议论文集，2022:835-845。
[21]方Z，龙Q，宋刚，等.交通流预测的时空图形编码网络[C]//第27届ACM SIGKDD知识发现与数据挖掘会议论文集，2021:364-373。
[22]SUN J，LI J，WU C，et al.Ada-STNet:用于交通流预测的动态AdaBoost时空网络[C]//2022年IEEE声学、语音和信号处理国际会议论文集，2022:5478-5482。
[23]XU K，HU W，LESKOVEC J，et al.图神经网络的功能如何？[J] ●●●●。arXiv:1810.008262018年。
[24]DEFFERRARD M，BRESSON X，VANDERGHEYNST P.带快速局域谱滤波的图上卷积神经网络[C]//神经信息处理系统进展，2016。
[25]BAHDANAU D，CHO K，BENGIO Y.联合学习对齐和翻译的神经机器翻译[J]。arXiv:1409.04732014年。
[26]威利？科维？P、 CUCURULL G，CASANOVA A，等.图形注意网络[J]。arXiv:1710.10903，2017年。
[27]GILMER J，SCHOENHOLZ S S，RILEY P F，等.量子化学的神经信息传递[C]//机器学习国际会议论文集，2017:1263-1272。
[28]郭S，LIN Y，FENG N，等.基于注意力的时空图卷积网络在交通流预测中的应用[C]//AAAI人工智能会议论文集，2019:922-929。
[29]ROY A，ROY K K，ALI A A，et al.使用图神经网络进行交通预测的统一时空建模[C]//2021年国际神经网络联合会议（IJCNN）论文集，2021:1-8。
[30]HYNDMAN R J.预测比赛简史[J]。国际预测杂志，2020，36（1）：7-14。
[31]MAKRIDAKIS S，SPILIOTIS E，ASSIMAKOPOULOS V.统计和机器学习预测方法：关注点和前进方向[J]。公共科学图书馆，2018，13（3）：e0194889。
[32]SEN R，YU H F，DHILLON I S.《全球思考，局部行动：高维时间序列预测的深度神经网络方法》[C]//《神经信息处理系统进展》，2019年。
[33]SALINAS D，FLUNKERT V，GASTHAUS J，等.深度AR：自回归回归网络的概率预测[J]。国际预测杂志，2020，36（3）：1181-1191。
[34]YOUNG T，HAZARIKA D，PORIA S，et al.基于深度学习的自然语言处理的最新趋势[J]。IEEE计算智能杂志，2018，13（3）：55-75。
[35]RANGAPURAM S S，SEEGER M W，GASTHAUS J，et al.时间序列预测的深状态空间模型[C]//神经信息处理系统进展，2018。
[36]王毅，SMOLA A，MADDIX D，等.预测的深层因素[C]//机器学习国际会议论文集，2019:6607-6617。
[37]LIM B，ZOHREN S，ROBERTS S。递归神经滤波器：学习独立的贝叶斯滤波步骤用于时间序列预测[C]//2020年国际神经网络联合会议（IJCNN）会议记录，2020年：1-8。
[38]BENGIO Y，SIMARD P，FRASCONI P。学习梯度下降的长期依赖性很困难[J]。IEEE神经网络汇刊，1994，5（2）：157-166。
[39]HOCHREITER S，BENGIO Y，FRASCONI P，et al.递归网络中的梯度流：学习长期依赖的困难[M]//动态递归网络的领域指南。霍博肯：Wiley-IEEE出版社，2001年：？237-243.
[40]黄磊，吴磊，张杰，等.多体时间序列预测中动态关系的发现与应用[J]。arXiv:22202.10586，2022年。
[41]KAN J，HU K，HAGENBUCHNER M，等.基于分层时空图神经网络的手语翻译[C]//IEEE/CVF计算机视觉应用冬季会议论文集，2022:3367-3376。
[42]西蒙诺维？J、 SCHUBNEL B，ALET P J，等.多站点光伏功率预测的时空图神经网络[J]。IEEE可持续能源汇刊，2021，13（2）：1210-1220。
[43]NICOLICIOIU A，DUTA I，LEORDEANU M.递归时空图神经网络[C]//神经信息处理系统进展，2019。
[44]CHEN C，LI K，TEO S G，et al.基于门限残差递归图神经网络的交通预测[C]//AAAI人工智能会议论文集，2019:485-492。
[45]HOCHREITER S，SCHMIDHUBER J.长短期记忆[J]。神经计算，1997，9（8）：1735-1780。
[46]LAI G，CHANG W C，YANG Y，et al.用深度神经网络建模长期和短期时间模式[C]//第41届国际ACM SIGIR信息检索研究与开发会议论文集，2018:95-104。
[47]沈力，李忠，KWOK J.基于时间层次一类网络的时间序列异常检测[C]//神经信息处理系统进展，2020：13016-13026。
[48]FRANCESCHI J Y，DIEULEVEUT A，JAGGI M.多元时间序列的无监督可缩放表示学习[C]//神经信息处理系统的进展，2019。
[49]贺毅，赵J.时间序列中用于异常检测的时间卷积网络[J]。物理学杂志：会议系列，2019（4）：042050。
[50]于波，尹赫，朱忠.时空图卷积网络：交通预测的深度学习框架[J]。arXiv:1709.048752017年。
[51]ZHENG C，FAN X，WANG C，et al.GMAN:一种用于交通预测的图形多关注网络[C]//AAAI人工智能会议论文集，2020：1234-1241。
[52]李强，杨旭，王毅，等.基于张量分解重构融合图的时空交通建模[J]。arXiv:2212.056532022年。
[53]WU Z，ZHENG D，PAN S，等.TraverseNet：统一消息传递的空间和时间用于流量预测[J]。arXiv:2109.024742021。
[54]金刚，李发，张杰，等.交通预测的自动扩展时空同步图建模[J]。arXiv:2207.108302022年。
[55]王T，陈J，LYU J，等.同步时空图变换器：一种新的交通数据预测框架[J]。IEEE神经网络和学习系统汇刊，2023，34（12）：10589-10599。
[56]李华，金德，李霞，等.交通时空预测的多任务同步图神经网络[C]//第29届国际地理信息系统进展会议论文集，2021:137-140。
[57]方毅，秦毅，罗华，等.基于交叉时间动态图的交通预测深度学习模型[J]。arXiv:2112.027362021。
[58]Kapoor A，BEN X，LIU L，et al.利用时空图形神经网络研究covid-19预测[J]。arXiv:2007.031132020年。
[59]张X，黄C，徐Y，等.基于时空图扩散网络的交通流预测[C]//AAAI人工智能会议论文集，2021:15008-15015。
[60]VLAHOGIANNI E I，KARLAFTIS M G，GOLIAS J C.短期交通流预测的优化和元优化神经网络：遗传方法[J]。交通研究C部分：新兴技术，2005，13（3）：211-234。
[61] 李斐轩.基于图神经网络的短时交通流预测技术研究[J] ●●●●。信息系统工程, 2023(6): 12-15.
李福霞。基于图神经网络的短期交通流预测技术研究[J]。信息系统工程，2023（6）：12-15。
[62]夏M，金德，陈J.基于图卷积网络和联合学习的短期交通流预测[J]。IEEE智能交通系统汇刊，2022，24（1）：1191-1203。
[63]CHEN Z，LU Z，CHEN Q，等.基于动态学习图卷积机制的时空短期交通流预测模型[J]。信息科学，2022，611:522-539。
[64]姜毅，樊杰，刘毅，等.基于时空数据的短期交通流预测的深图高斯过程[J]。IEEE智能交通系统汇刊，2022，23（11）：20177-20186。
[65]唐C，孙J，孙Y.用于短期交通流预测的动态时空图注意力图卷积网络[C]//2020年IEEE国际电路与系统研讨会论文集，2020年：1-5。
[66]蒋杰，韩C，赵文新，等.PDFormer：用于交通流预测的传播延迟软件动态远程变压器[J]。arXiv:2301.079452023年。
[67]钟伟，马利克T，梅达尼H，等.用于长期交通预测的可解释图金字塔自动机[J]。arXiv:2209.131232022年。
[68] 齐涛. 基于图卷积和深度学习的交通流预测算法研究[D] ●●●●。无锡: 江南大学, 2022
QI T.基于图卷积和深度学习的交通流预测算法研究[D]。无锡：江南大学，2022年。
[69]彭华，杜斌，刘明，等.基于强化学习的动态图卷积网络长期交通流预测[J]。信息科学，2021，578:401-416。
[70]QI X，MEI G，TU J，等.基于时空图卷积网络的多因素融合长期交通流预测深度学习方法[J]。IEEE智能交通系统汇刊，2023，24（8）：8687-8700。
[71]方毅，秦毅，罗华，等.时空结合小波：基于高效谱图注意网络的非纠缠交通流预测[J]。arXiv:2112.027402021年。
[72]李明，童平，李明，等.基于车辆轨迹的交通流预测[C]//美国人工智能学会人工智能会议论文集，2021:294-302。
[73]LEI B，HUANG S，DING C，等.基于时空网络相关性的高效交通状态预测：稀疏图神经网络方法[J]。arXiv:2211.030332022年。
[74]胡斌，闫德，陈赫，等.TrajNet:一种基于轨迹的交通预测深度学习模型[C]//第27届ACM SIGKDD知识发现与数据挖掘会议论文集，2021:716-724。
[75]周泽，林刚，杨凯，等.格雷托：通过目标同态性纠正动态图拓扑-任务不一致[C]//第十一届国际学习表征会议论文集，2023。
[76]ORESHKIN B N，CARPOV D，CHAPADOS N，et al.N-BEATS:可解释时间序列预测的神经基扩展分析[J]。arXiv:1905.104372019年。
[77]ORESHKIN B N，AMINI A，COYLE L，et al.FC-GAGA:用于时空交通预测的全连通选通图体系结构[C]//AAAI人工智能会议论文集，2021:9233-9241。