摘要為充分捕獲路網(wǎng)交通流數(shù)據(jù)的時空特征，本文提出一種解糾纏自適應(yīng)時空圖卷積網(wǎng)絡(luò)（DSTGCN）。通過分析預(yù)測時段的交通流量與歷史交通流量之間的時空關(guān)聯(lián)，將輸入路網(wǎng)交通流量數(shù)據(jù)多尺度劃分，形成多模式時空組件。然后通過由門控時序卷積網(wǎng)絡(luò)構(gòu)成的時間特征捕獲模塊和解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)構(gòu)成的空間特征捕獲模塊組成時空網(wǎng)絡(luò)模塊。利用多層時空網(wǎng)絡(luò)模塊進行特征提取，深度挖掘路網(wǎng)交通流量數(shù)據(jù)時空關(guān)聯(lián)進行交通流預(yù)測。關(guān)鍵詞：交通流預(yù)測；時空圖神經(jīng)網(wǎng)絡(luò)；解糾纏圖卷積第一章緒論交通流預(yù)測方法是指利用交通系統(tǒng)中采集存儲的交通歷史數(shù)據(jù)，結(jié)合路網(wǎng)結(jié)構(gòu)，預(yù)測未來交通路網(wǎng)中不同位置交通流的方法，是智慧交通系統(tǒng)的重要組成部分。交通流預(yù)測通過預(yù)測未來交通狀況，掌握道路信息，指導(dǎo)交通規(guī)劃，為居民出行節(jié)約時間。因此充分準確地挖掘交通數(shù)據(jù)中的信息，模擬時間維度及空間維度數(shù)據(jù)間的影響，進而實現(xiàn)精確的交通預(yù)測，對智能交通系統(tǒng)發(fā)展具尤為重要。豐富、充足的交通歷史數(shù)據(jù)是交通流預(yù)測任務(wù)的基礎(chǔ)。通過挖掘交通歷史數(shù)據(jù)中隱含的數(shù)據(jù)間時序關(guān)聯(lián)及不同地理位置的相互關(guān)聯(lián)，智能算法能夠?qū)崿F(xiàn)更加精準的未來交通狀態(tài)評估。目前城市交通系統(tǒng)中大量應(yīng)用的傳感器設(shè)備為交通流預(yù)測相關(guān)研究提供了數(shù)據(jù)基礎(chǔ)條件。因此高精度，高效率的交通流預(yù)測方法成為了眾多學(xué)者致力于研究的一個課題，具有很大的應(yīng)用價值。第二章深度學(xué)習(xí)相關(guān)技術(shù)2.1深度殘差網(wǎng)絡(luò)傳統(tǒng)的深度學(xué)習(xí)模型中，隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)的表達能力不斷增強。而當(dāng)網(wǎng)絡(luò)深度增加到一定的數(shù)目以后，性能不但沒有提升，反而出現(xiàn)顯著退化，這種問題稱為網(wǎng)絡(luò)退化問題。He等人提出深度殘差網(wǎng)絡(luò)來解決網(wǎng)絡(luò)退化問題，其在圖像識別、分割檢測和分類任務(wù)中普遍運用。一個訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)，如果能滿足堆上一層使得堆疊后的輸出與其輸入相同，也就是單位映射，其加深網(wǎng)絡(luò)深度后結(jié)果不應(yīng)該會變差，因為其單位映使得其輸入與輸出相同。這說明傳統(tǒng)的多層深度學(xué)習(xí)網(wǎng)絡(luò)難以表達單位映射。因此He等人提出通過殘差學(xué)習(xí)來解決網(wǎng)絡(luò)退化問題。2.2注意力機制注意力機制借鑒了人類通過視覺和聽覺接收信息時會將注意力放在某些重要的特征上，而第一時間忽略某些無用信息的信息處理機制。例如在人類接受視覺感官傳來的圖像信息時，大腦會掃描所有圖像信息，結(jié)合一定原則優(yōu)先選出重要區(qū)域進行關(guān)注；在面對長語句時，大腦會將注意力放在最能表達語義的關(guān)鍵詞上，并一定程度忽略文字的先后出現(xiàn)次序，這也是有時文字的排序順序不影響語句的表達語義的原因。這種人類大腦的注意力機制可以幫助人類在接受大量信息時，快速注意到關(guān)鍵部分，實現(xiàn)對信息的高速理解和處理。學(xué)者最早將注意力機制運用于機器翻譯領(lǐng)域，經(jīng)過不斷發(fā)展，目前注意力機制已經(jīng)稱為深度學(xué)習(xí)中的常用手段，廣泛運用于自然語言處理，計算機視覺和時序預(yù)測等領(lǐng)域。第三章基于時空圖神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型3.1交通流量預(yù)測任務(wù)定義交通流量預(yù)測任務(wù)是通過交通路網(wǎng)上N個傳感器觀測到的交通流量歷史數(shù)據(jù)，預(yù)測未來一段時間此交通路網(wǎng)上的交通流量。根據(jù)交通路網(wǎng)的空間特征，將傳感器網(wǎng)絡(luò)結(jié)構(gòu)定義為一個圖結(jié)構(gòu)：(3.1)其中V為節(jié)點集，一個節(jié)點代表一個傳感器，集合大小為N。E為邊集，表示傳感器節(jié)點間關(guān)聯(lián)程度。A為鄰接矩陣，以矩陣的形式表示各個節(jié)點的連接程度關(guān)系，其構(gòu)建方式為：(3.2)式中，是代表節(jié)點與節(jié)點間的連接關(guān)系，代表節(jié)點與節(jié)點組成的邊。代表節(jié)點與節(jié)點間連接的關(guān)聯(lián)強度。如圖3.1所示，在觀測時段內(nèi)，隨著交通傳感器網(wǎng)絡(luò)連續(xù)多個采樣，形成交通流量時空圖數(shù)據(jù)。將交通路網(wǎng)圖上傳感器節(jié)點觀察到的交通流數(shù)據(jù)表示為，為節(jié)點的特征數(shù)，設(shè)表示在時刻觀測到的交通流數(shù)據(jù)，則交通流量預(yù)測任務(wù)的目標就是學(xué)習(xí)一個交通流量預(yù)測映射函數(shù)，將觀測時間段的交通流數(shù)據(jù)映射到預(yù)測時間段的交通流，交通流量預(yù)測任務(wù)可以表示如下：(3.3)(3.4)(3.5)圖3.1時空圖3.2基于解糾纏自適應(yīng)時空圖卷積網(wǎng)絡(luò)的交通流量預(yù)測模型3.2.1多模式時空組件融合目前大多數(shù)的交通流預(yù)測算法模型中，都只用預(yù)測時間段的最近的前一段時間作為歷史數(shù)據(jù)輸入進行交通輸入，例如只輸入前一個小時的交通流數(shù)據(jù)進行后一個小時的交通流量預(yù)測。交通流量在較長時間尺度內(nèi)存在顯著的周期性和趨勢性。如何捕獲交通流量數(shù)據(jù)的在較長時間尺度內(nèi)存在顯著的時空類周期性和趨勢性，也是交通流時空預(yù)測問題一個需要解決的難點。因此，為深度挖掘預(yù)測時段的交通流量與歷史交通流量之間的時空關(guān)聯(lián)，本文將歷史交通流數(shù)據(jù)劃分為3個尺度，建立多模式時空組件。根據(jù)數(shù)據(jù)集傳感器采集頻率情況，將實驗預(yù)測時間定為12個時間間隔點，每個時間段5分鐘，則預(yù)測時間長度為一小時。3.2.2門控時序卷積網(wǎng)絡(luò)時間特征捕獲模塊旨在深度的捕獲交通流量數(shù)據(jù)的動態(tài)時序特征。對于時序特征的提取，現(xiàn)有方法多是基于RNNs的模型，普遍存在對于捕獲長期時序依賴較弱的問題。其循環(huán)網(wǎng)絡(luò)通過對連續(xù)的時序輸入進行編碼特征提取，遞歸捕獲連續(xù)的時序特征，會導(dǎo)致長時間前的特征信息逐漸消失，因此鄰近時刻的特征相較于長期的特征會對輸出特征有更大的影響。在進行多步時序預(yù)測時，因其網(wǎng)絡(luò)結(jié)構(gòu)利用前一步的輸出特征作為之后一步的輸入特征，容易造成誤差累積從而影響多步預(yù)測性能。另一方面，一般的RNN的方法，普遍存在梯度消失或梯度爆炸的問題；變體模型如LSTM、GRU等，則會需要更多的資源，存在訓(xùn)練困難的問題，而且難以應(yīng)用在處理大量且更長的時間序列預(yù)測問題上。因此，本節(jié)本節(jié)提出的交通流預(yù)測模型采用結(jié)合門控機制的時序卷積網(wǎng)絡(luò)來提取交通流數(shù)據(jù)的時序特征。基于卷積的網(wǎng)絡(luò)不需要遞歸連接且能夠進行并行運算，訓(xùn)練速度相較于傳統(tǒng)RNN及其變體網(wǎng)絡(luò)有很大的優(yōu)勢。如圖3.5所示，門控時序卷積網(wǎng)絡(luò)（GatedTCN）通過時序門控機制進行有信息流入控制，結(jié)合因果卷積和空洞卷積對輸入交通流信息進行時序特征提取。圖3.2門控時序卷積網(wǎng)絡(luò)結(jié)構(gòu)在TCN構(gòu)架中，將路網(wǎng)中單個節(jié)點的交通流數(shù)據(jù)在時間維度視為一維向量，應(yīng)用因果卷積結(jié)合空洞卷積對其進行一維卷積操作，捕獲時序特征。因果卷積保證了在進行時序預(yù)測時的嚴格因果相關(guān)性，預(yù)測時刻的特征只和歷史時刻相關(guān)，無法感知到未來的信息。公式表示如下：(3.7)空洞卷積在標準卷積的基礎(chǔ)上增加了空洞系數(shù)，在卷積核中添加空洞，加大了卷積核的提取范圍。從而使空洞卷積不用堆疊很深的網(wǎng)絡(luò)也能夠提高感受野的范圍。因此本節(jié)提出的時序卷積的公式表示為：(3.8)其中為一維時間序列信號，為時序卷積核，為空洞系數(shù)，表示空洞采樣頻率，表示卷積所在的層數(shù)。一般而言隨著層數(shù)越高設(shè)置的空洞系數(shù)也越大，這樣較少的堆疊深度就能捕獲到交通流輸入數(shù)據(jù)全局的時序關(guān)聯(lián)，獲得相較RNN更長的時間依賴，而且避免了因堆疊過深卷積網(wǎng)絡(luò)帶來的梯度消失和網(wǎng)絡(luò)退化問題。門控機制在RNN變體結(jié)構(gòu)如LSTM、GRU等中有大量應(yīng)用。門實際就是一種對特征向量進行控制的組件，它輸入一個向量返回一個值域是（0,1）的實數(shù)。通常將門的輸出向量按元素對應(yīng)位置乘以我們想要控制的特征向量，從而達到控制目的。公式表示如下：(3.9)式中，為門的權(quán)重參數(shù)，為偏置參數(shù)。從公式可以看出，門是激活函數(shù)使用了函數(shù)的一層神經(jīng)網(wǎng)絡(luò)，保證了其輸出值域為（0,1）。當(dāng)門輸出為0時，與特征向量乘積都會得到零向量等效于該輸入信息不可通過門；當(dāng)輸出為1時，特征向量與之相乘不會有任何損失等效于該輸入信息可以完全通過。所以門通過半開半閉的狀態(tài)控制有效信息的流入和無效信息的丟棄。在門控時序卷積網(wǎng)絡(luò)中，包括了兩個TCN網(wǎng)絡(luò)模塊，這兩個TCN模塊使用了不同的激活函數(shù)。TCN-a模塊使用作為激活函數(shù)，對提取的時序特征做非線性映射，相當(dāng)于被控制的特征向量。TCN-b模塊使用作為激活函數(shù)，作為門控機制中的門組件。這樣的結(jié)構(gòu)保證了待處理的特征向量與門輸出的控制向量結(jié)構(gòu)相同，其中控制向量中每個元素的值表示被控制的特征向量運行通過門的比率。因此本節(jié)提出的門控機制公式表示如下：(3.10)式中， 為歷史路網(wǎng)交通流特征輸入，為門控時序卷積網(wǎng)絡(luò)提取的特征輸出。 ，和分別為捕獲時序依賴性TCN-a模塊的卷積核，偏置參數(shù)和激活函數(shù)。，和分別為門控組件TCN-b模塊的卷積核，偏置參數(shù)和激活函數(shù)。為哈達瑪（Hadamard）積，表示多維度向量對應(yīng)位置元素相乘。代表卷積操作。加入了門控機制的時序卷積網(wǎng)絡(luò)，通過對有效信息的門控篩選，進一步提高了本節(jié)提出交通流預(yù)測模型對時序依賴的捕獲性能。3.2.3解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)交通道路網(wǎng)絡(luò)中的各個節(jié)點間存在復(fù)雜且多層次的空間依賴。根據(jù)路網(wǎng)中傳感器分布位置的連接關(guān)系或者路網(wǎng)距離構(gòu)建的交通路網(wǎng)圖結(jié)構(gòu)，只能淺顯的捕獲到交通路網(wǎng)的表層局部空間特征。比如根據(jù)距離構(gòu)建的無向圖結(jié)構(gòu)難以表示交通路網(wǎng)中道路的單向性；根據(jù)連接關(guān)系構(gòu)建的圖結(jié)構(gòu)中，一個節(jié)點受其鄰域內(nèi)鄰居節(jié)點的影響權(quán)重比例相同，這導(dǎo)致難以有效模擬出復(fù)雜的交通路網(wǎng)場景中不同節(jié)點間相互的影響差異。同時在真實交通路網(wǎng)場景中存在兩節(jié)點間路網(wǎng)距離較遠但其相互影響依賴卻很強的情況，傳統(tǒng)的圖結(jié)構(gòu)構(gòu)建模式難以直接體現(xiàn)這種依賴，從而降低了圖神經(jīng)網(wǎng)絡(luò)捕獲交通流的空間特征性能。另一方面，多尺度的圖卷積網(wǎng)絡(luò)雖然能較好的提取交通路網(wǎng)中的空間依賴，但其也存在過平滑和權(quán)重偏倚的問題。因此，本節(jié)本節(jié)提出的交通流預(yù)測模型采用解糾纏的自適應(yīng)圖卷積網(wǎng)絡(luò)來提取交通流數(shù)據(jù)的空間特征。如圖3.6所示，解糾纏的自適應(yīng)圖卷積網(wǎng)絡(luò)利用可學(xué)習(xí)的自適應(yīng)矩陣和解糾纏的圖卷積網(wǎng)絡(luò)挖掘交通網(wǎng)絡(luò)中的深層次空間特征。自適應(yīng)的鄰接矩陣通過數(shù)據(jù)驅(qū)動的方式，在網(wǎng)絡(luò)訓(xùn)練過程中不斷捕獲變量之間的空間關(guān)聯(lián)。同時采用帶權(quán)重的有向圖的鄰接矩陣來模擬道路交通路網(wǎng)中上有節(jié)點狀態(tài)影響下游節(jié)點狀態(tài)的情況，并且為鄰居節(jié)點在聚合過程中的比重賦予區(qū)分度。通過訓(xùn)練中反向傳播的更新，自適應(yīng)的鄰接矩陣能主動捕獲路網(wǎng)距離較遠或不存在連接關(guān)系的節(jié)點間隱含的空間依賴，有效補充傳統(tǒng)圖構(gòu)建模式中丟失的空間信息。本節(jié)提出的自適應(yīng)矩陣構(gòu)建公式表示如下：(3.11)(3.12)(3.13)式中，，表示交通路網(wǎng)中節(jié)點的可以不斷學(xué)習(xí)的嵌入向量， 為節(jié)點嵌入向量的隱層維度大小，，為特征變換模型參數(shù)，為激活函數(shù)飽和率。通過公式3.13得到的自適應(yīng)矩陣是一個非對稱的有向圖鄰接矩陣，激活函數(shù)正則化鄰接矩陣，使得矩陣元素取值在（0,1）之間。同時，在現(xiàn)實交通路網(wǎng)中，對特定交通節(jié)點一般而言只具有相對較少的節(jié)點擁有較大關(guān)聯(lián)性。若建?？紤]圖中所有節(jié)點的關(guān)聯(lián)性，會大大提高隨后圖卷積神經(jīng)網(wǎng)絡(luò)進行空間特征提取的計算代價。因此，我們每個節(jié)點只選擇鄰接關(guān)系最緊密的個節(jié)點，然后將其余節(jié)點在鄰接矩陣中對應(yīng)關(guān)系置為零。這樣可以有效減少鄰居節(jié)點個數(shù)，得到新的鄰接矩陣。經(jīng)過網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)之后有效挖掘交通流數(shù)據(jù)中的節(jié)點之間的空間隱含關(guān)聯(lián)從而更符合真實交通路網(wǎng)場景，同時該矩陣的稀疏特性可以有效減低計算開銷。圖3.6解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)結(jié)構(gòu)解糾纏的圖卷積網(wǎng)絡(luò)通過劃分解糾纏的多尺度領(lǐng)域進行圖卷積解決了過平滑和權(quán)重偏倚問題并且能夠更靈活的捕獲到交通路網(wǎng)節(jié)點間的空間特性。常規(guī)的多尺度圖卷積神經(jīng)網(wǎng)絡(luò)通過多尺度劃分用以提取k-hop鄰域的信息進行特征提取，層與層之間的傳遞公式表示如下：(3.14)式中，表示k階鄰接矩陣的正則化拉普拉斯矩陣。通過這種方式，可以為較遠鄰居和較近鄰居分別創(chuàng)建獨立的權(quán)重從而更豐富的捕獲節(jié)點間的空間特性。但是將其運用在路網(wǎng)交通流預(yù)測時，會因為路網(wǎng)交通流數(shù)據(jù)固有特征而產(chǎn)生權(quán)重偏倚問題。如在交通路網(wǎng)中存在特定子區(qū)域內(nèi)節(jié)點間具有較強的連接相關(guān)性時，k-hop領(lǐng)域鄰接矩陣內(nèi)元素的關(guān)聯(lián)權(quán)重就只會偏向這塊區(qū)域，使得其中節(jié)點間的關(guān)聯(lián)權(quán)重指數(shù)級上升，導(dǎo)致丟失了其中節(jié)點與別的區(qū)域節(jié)點間存在的空間關(guān)聯(lián)信息。解糾纏的自適應(yīng)圖卷積在前述自適應(yīng)鄰接矩陣基礎(chǔ)上，設(shè)定解糾纏尺度因子，由于自適應(yīng)鄰接矩陣中元素取值為（0,1），所以定義劃分尺度如下式：(3.15)定義解糾纏的鄰接矩陣 ，公式表示如下：(3.16)表示一系列無權(quán)的子圖，他對于不同尺度的節(jié)點關(guān)系具有相同的權(quán)重，用它替換式3.14中的，解糾纏的自適應(yīng)圖卷積網(wǎng)絡(luò)層與層之間的傳遞公式表示如下：(3.17)式中，表示第層網(wǎng)絡(luò)中節(jié)點的特征表示，表示非線性激活函數(shù)，表示標準化拉普拉斯矩陣，為可訓(xùn)練的參數(shù)。通過解糾纏尺度的劃分，同一尺度下的關(guān)聯(lián)關(guān)系具有相同權(quán)重，讓模型能夠更進一步突破較遠鄰居和較近鄰居的限制，捕獲到交通路網(wǎng)中潛在的空間特征。同時，通過去糾纏的多尺度劃分，在劃分后的子圖上進行圖卷積操作，避免了大量無關(guān)信息的聚合，過平滑問題也得到了緩解。3.3實驗與分析3.3.1實驗數(shù)據(jù)集及預(yù)處理在本研究中，使用兩個由加州交通運輸署的性能評測系統(tǒng)采集的公開交通數(shù)據(jù)集進行交通流量預(yù)測模型評估實驗。（1）PeMSD4：數(shù)據(jù)集包括舊金山灣區(qū)的307個交通傳感器采集的交通流數(shù)據(jù)和傳感器的地理位置信息。包含交通流量、道路占有率和平均車速三種交通流特征參數(shù)。時間跨度為2018年1月1日到2018年2月28日。(2)PeMSD8：數(shù)據(jù)集包括圣貝納迪諾地區(qū)的170個交通傳感器采集的交通流數(shù)據(jù)和傳感器的地理位置信息。包含交通流量、道路占有率和平均車速三種交通流特征參數(shù)。時間跨度為2016年7月1日到2018年8月31日。兩個數(shù)據(jù)集的數(shù)據(jù)采樣時間間隔均為5分鐘。本文將數(shù)據(jù)集按前60%作為訓(xùn)練集，中間20%作為驗證集，最后20%作為測試集。其中，訓(xùn)練集用于深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，驗證集用于測試超參數(shù)的最優(yōu)選擇，測試集用于最終測試模型的預(yù)測性能。然后為了提升模型收斂速度，在將交通流特征輸入模型之前進行Z-Score標準化處理。3.3.2交通流預(yù)測評價指標本文使用三種評價指標，分別為平均絕對誤差（MeanAbsoluteError,MAE）、均方根誤差（RootMeanSquareError,RMSE）、平均絕對百分比誤差（MeanAbsolutePercentageError,MAPE）。其中，MAE為預(yù)測值與實測值之間絕對誤差的平均數(shù)，能夠直觀反應(yīng)預(yù)測誤差大小。RMSE為預(yù)測值與實測值的誤差平方根，能夠識別異常值，用來定量衡量預(yù)測誤差的離散程度。MAPE為預(yù)測值與實測值絕對誤差值與實測值的比，反映預(yù)測值相對于實測值的偏離程度，即不僅考慮到預(yù)測值與實測值的偏差，還會考慮到偏差與真實值的比例。若真實值為50和200，預(yù)測值為30和180，其絕對誤差一樣但是MAPE值差距會很大，所以MAPE為評價模型預(yù)測性能的重要指標。當(dāng)MAE、MAPE、RMSE的值越小時，說明模型預(yù)測性能越好。各指標的計算公式如下：(3.18)(3.19)(3.20)式中， 和分別為交通流量預(yù)測值和真實值，為數(shù)據(jù)樣本量。3.3.3基準模型本文采用的基準模型包括傳統(tǒng)的時序預(yù)測模型和基于深度學(xué)習(xí)的預(yù)測模型兩類，具體如下：（1）ARIMA：差分自回歸移動平均模型，在時間預(yù)測鄰域具有廣泛應(yīng)用。（2）VAR：向量自回歸，能夠捕獲到多變量間的線性關(guān)系。（3）LSTM：長短期記憶網(wǎng)絡(luò)，是循環(huán)神經(jīng)網(wǎng)絡(luò)的變體模型，通過門控機制有效緩解循環(huán)神經(jīng)網(wǎng)絡(luò)對長期時間相關(guān)信息丟失問題。（4）DCRNN：擴散圖卷積循環(huán)網(wǎng)絡(luò)，使用擴散圖卷積進行空間特征捕獲，結(jié)合使用基于LSTM的Encoder-Decoder架構(gòu)來對時間特征捕獲。（5）STGCN：時空圖卷積網(wǎng)絡(luò)，通過由兩個時域卷積塊和一個空間域卷積塊組成的時空卷積塊堆疊組成的網(wǎng)絡(luò)進行交通流量預(yù)測。（6）ASTGCN：基于注意力的時空圖卷積網(wǎng)絡(luò)，從時間周期設(shè)計近期、天周期、周周期三個獨立組件進行交通流周期性質(zhì)捕獲，每個組件由基于注意力機制的時空卷積網(wǎng)絡(luò)模塊堆疊組成進行時空特征捕獲。（7）GraphWaveNet：建立自適應(yīng)圖鄰接矩，并采用擴散圖卷積進行空間特征捕獲，采用時序卷積進行時間特征捕獲。（8）AGCRN：自適應(yīng)卷積圖循環(huán)網(wǎng)絡(luò)，提出節(jié)點自適應(yīng)參數(shù)學(xué)習(xí)和自適應(yīng)矩陣增強圖卷積再結(jié)合門控循環(huán)網(wǎng)絡(luò)進行交通流預(yù)測。3.3.4實驗參數(shù)設(shè)置（1）深度學(xué)習(xí)常用參數(shù)。批量大小（BatchSize）設(shè)置為16，學(xué)習(xí)率（LearningRate）設(shè)置為0.001，Dropout比例設(shè)置為0.2，采用Adam優(yōu)化器。（2）門控時序卷積網(wǎng)絡(luò)中卷積核的尺寸大?。↘ernelSize）。在時間依賴建模中，我們采用了門控時序卷積網(wǎng)絡(luò)，其中時序卷積核的尺度大小對于不同的時序任務(wù)有著不同的取值。如圖3.7、3.8所示，通過在兩個數(shù)據(jù)集上的對比實驗與分析，選取卷積核尺寸大小為3時，交通流預(yù)測指標平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）均降到最低，模型表現(xiàn)出較好性能。因此將卷積核的尺寸大小設(shè)置為3。（3）解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)中自適應(yīng)矩陣節(jié)點嵌入向量的隱層維度大小值。如公式3.11、3.12、3.13所示，自適應(yīng)矩陣通過節(jié)點嵌入向量的不斷訓(xùn)練學(xué)習(xí)生成，其中值表示節(jié)點嵌入向量中每個節(jié)點的特征維度，其值設(shè)定如果太小不足以有效捕獲交通路網(wǎng)結(jié)構(gòu)空間特征，太大則會增加模型計算復(fù)雜度，影響模型預(yù)測性能。如圖3.9、3.10所示，通過在兩個數(shù)據(jù)集上的對比實驗與分析，選取值為8時，MAE、RMS和MAPE均降到最低，模型表現(xiàn)出較好性能。因此將隱層維度大小值設(shè)置為8。（4）解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)中解糾纏尺度因子值K。解糾纏尺度因子決定解糾纏鄰接矩陣的劃分個數(shù)，如式3.16所示，解糾纏尺度因子越大，劃分矩陣越多，劃分粒度越細，隨之計算復(fù)雜度也增加。如圖3.11、3.12所示，通過在兩個數(shù)據(jù)集上的對比實驗與分析，選取K值為4時，除了在PeMSD4數(shù)據(jù)集上MAPE略微低于K取值為8時，其余MAE、RMSE和MAPE均降到最低。因此綜合考慮將解糾纏尺度因子值K設(shè)置為4。（5）時空網(wǎng)絡(luò)模塊堆疊層數(shù)值L。本節(jié)提出的解糾纏自適應(yīng)時空圖卷積網(wǎng)絡(luò)由時空網(wǎng)絡(luò)模塊堆疊組成，堆疊層數(shù)L不宜太大，如圖3.13、3.14所示，通過在兩個數(shù)據(jù)集上的對比實驗與分析，選取L值為2時，模型表現(xiàn)出較好性能，除PeMSD4數(shù)據(jù)集上MAPE值，其余MAE、RMSE和MAPE均降到最低。因此將時空網(wǎng)絡(luò)模塊堆疊層數(shù)值L設(shè)置為2。(b)(c)圖3.7PeMSD4數(shù)據(jù)集上不同時序卷積核大小性能對比 (b)(c)圖3.8PeMSD8數(shù)據(jù)集上不同時序卷積核大小性能對比(b) (c)圖3.9PeMSD4數(shù)據(jù)集上不同U值大小性能對比(b) (c)圖3.10PeMSD8數(shù)據(jù)集上不同U值大小性能對比(b) (c)圖3.11PeMSD4數(shù)據(jù)集上不同K值大小性能對比(b) (c)圖3.12PeMSD8數(shù)據(jù)集上不同K值大小性能對比(b) (c)圖3.13PeMSD4數(shù)據(jù)集上不同L值大小性能對比(b) (c)圖3.14PeMSD8數(shù)據(jù)集上不同L值大小性能對比3.3.5實驗結(jié)果對比將本節(jié)提出的基于DSTGCN的交通流量預(yù)測模型在PeMSD4和PeMSD8數(shù)據(jù)集上與前述8種基線模型進行對比。通過各模型對預(yù)測未來一小時的交通路網(wǎng)節(jié)點的交通流量的實驗結(jié)果計算交通流預(yù)測評價指標MAE、RMSE和MAPE，從而對模型預(yù)測性能進行性能評估。表3.1和表3.2分別展示了各個預(yù)測模型在PeMSD4和PeMSD8數(shù)據(jù)集上，15分鐘（3個時間步長）、30分鐘（6個時間步長）和一小時（12個時間步長）交通流量預(yù)測結(jié)果的評價指標數(shù)值。評價指標數(shù)值越小，代表預(yù)測誤差越小，模型交通流量預(yù)測精度越高。表3.1各個模型在PeMSD4數(shù)據(jù)集上的實驗結(jié)果PeMSD4（15/30/60min）模型MAERMSEMAPE（%）GraphWaveNet19.23/20.44/22.3730.51/32.39/36.4612.92/14.08/15.36AGCRN18.99/20.07/22.5830.15/32.17/35.9212.69/13.43/15.27DSTGCN18.87/20.43/23.5029.98/32.07/35.9913.07/14.25/16.72ADSTGCN17.49/18.21/19.4628.77/29.98/31.7512.05/12.59/13.71表3.2各個模型在PeMSD8數(shù)據(jù)集上的實驗結(jié)果PeMSD8（15/30/60min）模型MAERMSEMAPE（%）GraphWaveNet14.26/15.41/16.8322.72/24.46/27.499.34/9.94/11.28AGCRN14.64/15.58/17.8623.11/25.34/28.729.48/10.09/11.23DSTGCN13.97/15.08/17.2022.74/24.67/27.768.70/9.95/11.70ADSTGCN12.54/13.30/14.9521.23/22.78/24.978.49/9.01/10.04分析實驗結(jié)果數(shù)據(jù)可以得出：（1）基于深度學(xué)習(xí)的交通流預(yù)測模型性能普遍優(yōu)于基于傳統(tǒng)時序預(yù)測方法的模型。相比于ARIMA模型和VAR模型難以捕獲到路網(wǎng)交通流量數(shù)據(jù)的復(fù)雜非線性時間關(guān)聯(lián)，深度學(xué)習(xí)模型在捕獲高復(fù)雜度非線性變化特征時有明顯優(yōu)勢。隨著預(yù)測時間窗口增大，當(dāng)前時刻的輸入交通路數(shù)據(jù)與預(yù)測時間點的時間間隔增長，路網(wǎng)交通狀態(tài)會產(chǎn)生更加復(fù)雜的變化，導(dǎo)致長期預(yù)測性能降低。特別從一小時預(yù)測結(jié)果看，深度學(xué)習(xí)模型明顯表現(xiàn)出更好的效果。（2）結(jié)合交通路網(wǎng)空間信息的基于圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型性能普遍優(yōu)于只針對時序特征建模的深度學(xué)習(xí)模型。同時考慮復(fù)雜時間依賴和路網(wǎng)交通空間圖結(jié)構(gòu)信息的模型如DCRNN、STGCN、ASTGCN、GraphWaveNet、AGCRN、DSTGCN預(yù)測性能普遍高于只捕獲時序關(guān)聯(lián)的LSTM模型。隨著預(yù)測時間長度的增加，它們性能下降幅度也較小，夠保證有良好的性能。（3）與其余8種基線模型相比，DSTGCN在三個預(yù)測時間點都取得了較好的結(jié)果，能夠與現(xiàn)有最優(yōu)模型達到同一水平。隨著預(yù)測時間的跨度增加，在長時間預(yù)測上性能略低于現(xiàn)有最優(yōu)模型。實驗結(jié)果表明，DSTGCN能夠有效捕獲路網(wǎng)交通流數(shù)據(jù)的時空特征，完成交通流預(yù)測任務(wù)。3.3.6消融分析為了研究本節(jié)提出的DSTGCN模型各個組成模塊的有效性，本節(jié)通過消融實驗，移除網(wǎng)絡(luò)模型中部分結(jié)構(gòu)模塊，形成三種DSTGCN變體模型，并進行性能評估。三種變體模型分別為：（1）DSTGCN/GT：從DSTGCN模型中移除門控時序卷積網(wǎng)絡(luò)中的門控（Gated）模塊。（2）DSTGCN/DA：從DSTGCN模型中移除解糾纏自適應(yīng)圖卷積網(wǎng)絡(luò)中的解糾纏（Disentangled）和自適應(yīng)（Adaptive）鄰接矩陣模塊。（3）DSTGCN/DW：從DSTGCN模型中移除天（Day）周期組件和周（Week）周期組件，只保留近期小時（Hour）組件。表3.3DSTGCN及其變體在PeMSD4數(shù)據(jù)集上的實驗結(jié)果表3.3展示了DSTGCN及其去除了部分結(jié)構(gòu)模塊后的變種模型在PeMSD4數(shù)據(jù)集上的一小時內(nèi)（12個時間步長內(nèi)）交通流量預(yù)測結(jié)果的評價指標數(shù)值平均值。DSTGCN相較于其變體模型，平均MAE值最大降低了1.24，平均RMSE值最大降低了2.39，平均MAPE值最大降低了0.6。由此可見，三個模塊都有其在特征捕獲上的重要作用，DSTGCN模型的性能離不開各個模塊的共同作用，缺一不可。如圖3.15為DSTGCN及其去除了部分結(jié)構(gòu)模塊后的變種模型在PeMSD4數(shù)據(jù)集上隨時間步長變化的交通流量預(yù)測評價指標數(shù)值圖。(a)(b)(c)圖3.15DSTGCN及其變體在PeMSD4數(shù)據(jù)集上指標隨時間步長的變化隨著時間步長增加，各項評價指標也不斷增大，但DSTGCN在各時間步長上整體指標均要優(yōu)于其變體模型。通過消融實驗分析，證明了模型三個模塊的有效性。DSTGCN模型中解糾纏和自適應(yīng)鄰接矩陣圖卷積模塊對提升整體模型預(yù)測性能有較大幫助，該模塊通過將解糾纏的圖卷積運用在可學(xué)習(xí)的帶參自適應(yīng)鄰接矩陣上，從而能夠有效捕獲交通路網(wǎng)中潛在且復(fù)雜的空間關(guān)聯(lián)并能夠更好的學(xué)習(xí)路網(wǎng)中個節(jié)點的空間依賴。門控時序卷積網(wǎng)絡(luò)中的門控模塊能夠通過半開半閉的狀態(tài)控制有效信息的流入和無效信息的丟棄，有效優(yōu)化時序卷積網(wǎng)絡(luò)性能，從而提升模型捕獲交通流量數(shù)據(jù)時間特征的能力。天周期組件和周周期組件通過引入不同時間尺度輸入數(shù)據(jù)，幫助模型有效捕獲較長時間尺度內(nèi)存在的時空依賴，深度挖掘預(yù)測時段的交通流量與歷史交通流量之間的時空關(guān)聯(lián)。第五章總結(jié)與展望隨著各地城市化進程的不斷推進和城市基礎(chǔ)設(shè)施的不斷完善，智能交