基于图结构的城市道路短时交通流量时空预测模型

王 海 起，李 留 珂，陈 海 波

(中国石油大学(华东)海洋与空间信息学院，山东 青岛266580)

0 引言

精准、实时的城市交通流量预测是城市交通控制和引导的决策基础。交通流量预测可分为短时预测(小于30 min)和长时预测(大于30 min),由于交通流量变化迅速，15 min内的短时交通流量预测更能满足现实生活需求。出租车作为城市出行中较为重要的交通工具之一，其装备的车载GPS可收集不同时间的精确位置信息，同时，出租车交通数据具有数据量大、时空分布广等特点，可间接反映城市道路的交通状态，因此，该数据可用于城市交通流量预测研究[1]。

传统的交通流量预测多采用基于统计学理论的线性模型，如差分自回归移动平均(Autoregressive Integrated Moving Average，ARIMA)模型及其变体模型[2-5]、线性回归模型[6]及卡尔曼滤波[7]等，该类方法抗干扰性差，对于复杂非线性的交通数据预测精度较低；不少学者基于支持向量机(SVM)[8,9]、小波分析[10,11]、分形理论[12]等非线性模型，针对交通流量预测问题开发出许多变体模型，可适用于短时交通流量预测。近年来，深度学习在文本处理、语音识别等领域展现出优秀的特征学习能力，因此，逐渐尝试使用该类方法提取交通流量数据的时空特性并进行交通流量预测。例如：Zhang等[13]提出DeepST模型，利用多层卷积学习交通流量的空间依赖；Wu等[14]使用CNN捕捉交通流量数据空间特征，使用LSTM捕捉短期变异性和周期性；Lai等[15]提出LSTNet模型，根据周期长度对输入数据维度进行整理，解决传统RNN在较长周期中信息难以传递的问题；……