周安众, 谢丁峰

(湖南工业职业技术学院信息工程学院, 湖南 长沙 410208)

0 引言(Introduction)

近年来,研究人员为了消除交通流预测中的时空因素的影响,采用了各种深度学习模型[1]。其中,图卷积神经网络(Graph Convolutional Network,GCN)用于建模交通网络这类非欧结构数据已被证明是有效的[2]。在时间建模方面,递归神经网络(Recurrent Neural Network,RNN)是短时交通流预测(30 min以内)中的常用方法[3]。然而,对更长时间(45 min以上)的交通流预测效果仍不理想[4],具体原因如下。

(1)路网中节点信息不仅随相邻节点变化,还间接受到更远距离节点(高阶节点)的影响。传统深度学习模型以局部特征为中心,需要叠加多层结构提取全局特征,训练时容易出现梯度弥散问题,不能有效提取长距离空间依赖关系。

(2)交通流量发生周期性的变化,如日高峰时间或其他周期事件,有必要引入长期的历史时间依赖关系捕捉周期特征。长短期记忆网络和门控循环单元常用来提取长距离时间依赖关系,但在迭代训练时可能会导致误差累积[5-7]。

综上所述,本文提出一种结构化图注意力网络模型(Structural Graph Attention Network,SGAN)。一方面,SGAN采用注意力机制替代了传统深度学习架构中的局部卷积核,使其在长距离约束情况下能高效提取时空特征。另一方面,SGAN在计算注意力系数时利用节点的结构信息,不仅考虑了节点之间的特征相关性,还考虑了节点的连接方式。

1 问题描述(Problem statement)

对于交通流预测任务,建立图G=(V,ε,A),其中V是图G中的节点集,ε是边集,反映节点之间的连通性。A∈N×N表示G的邻接矩阵。同时,建立矩阵X(t)∈N×d作为t时刻的输入特征矩阵,其中N表示节点数,d表示特征的维度。……