多源異構(gòu)數(shù)據(jù)融合的城市私家車(chē)流量預(yù)測(cè)研究

（湖南大學(xué)信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410082）

1 引言

隨著世界城市化進(jìn)程的快速推進(jìn)，越來(lái)越多的人生活在城市中。聯(lián)合國(guó)最新報(bào)告指出，目前世界上約有55%的人生活在城市中，2050 年該比例將達(dá)到68%。城市中的私家車(chē)作為人們出行的主要交通工具，其保有量也急劇增加[1]。以中國(guó)為例，截至2019 年年底，私家車(chē)保有量高達(dá)2.07 億輛，占汽車(chē)總量的81.4%。近5 年，私家車(chē)年均增長(zhǎng)1 966 萬(wàn)輛，其保有量的迅猛增長(zhǎng)與城市空間資源之間的矛盾日益加劇，給城市帶來(lái)停車(chē)?yán)щy、交通擁堵等問(wèn)題[2]。

私家車(chē)流量預(yù)測(cè)作為智能交通領(lǐng)域的研究熱點(diǎn)[3]，旨在利用現(xiàn)有車(chē)流量預(yù)測(cè)未來(lái)車(chē)流量，具體可應(yīng)用到智慧停車(chē)[4]、風(fēng)險(xiǎn)預(yù)警[5]和城市規(guī)劃[6]等領(lǐng)域。一方面，全球定位系統(tǒng)（GPS,global positioning system）、車(chē)載自診斷系統(tǒng)（OBD,on-board diagnostics）和基于位置的服務(wù)（LBS,location-based service）等技術(shù)的高速發(fā)展，為實(shí)時(shí)收集海量的私家車(chē)軌跡數(shù)據(jù)提供了支持[7]。另一方面，與其他交通工具相比，私家車(chē)能夠直接對(duì)應(yīng)固定用戶(hù)長(zhǎng)期的出行需求，其軌跡數(shù)據(jù)從不同的粒度、層面和視角準(zhǔn)確記錄人們的出行行為。在日常生活中，私家車(chē)用戶(hù)通常到達(dá)一個(gè)地點(diǎn)后停留一段時(shí)間以完成出行需求，再離開(kāi)前往下一個(gè)地點(diǎn)。持續(xù)的停留行為，不僅包含了出行行為，其中的停留時(shí)長(zhǎng)也體現(xiàn)了用戶(hù)對(duì)地點(diǎn)的偏好[8]。

現(xiàn)有的車(chē)流量預(yù)測(cè)研究分為2 類(lèi)：基于張量建模的方法和基于圖建模的方法。在基于張量建模的相關(guān)工作中，研究人員通常將城市區(qū)域劃分為規(guī)則的網(wǎng)格區(qū)域，如圖1(a)所示。例如，Shen 等[9]將城市劃分為網(wǎng)格，提出一種基于時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neutral network）的方法，來(lái)預(yù)測(cè)城市出租車(chē)移動(dòng)事件的數(shù)目。Liu 等[10]結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM,long short-term memory）和CNN 預(yù)測(cè)城市出租車(chē)的數(shù)目。然而，此類(lèi)基于網(wǎng)格劃分的張量建模方法受到理想的歐幾里得空間建模的限制，城市區(qū)域本是不規(guī)則的形狀，各區(qū)域之間的關(guān)聯(lián)也存在于非歐幾里得空間[11]。規(guī)則的網(wǎng)格劃分不僅破壞了城市區(qū)域本身的完整性，且劃分后的區(qū)域缺少明確的語(yǔ)義信息。同時(shí)，LSTM 等序列模型將交通數(shù)據(jù)視為序列數(shù)據(jù)，僅能捕獲時(shí)間相關(guān)性，而難以捕獲空間相關(guān)性；CNN 方法僅能處理歐幾里得空間的張量結(jié)構(gòu)[12]。

圖1 城市區(qū)域劃分方式

近年來(lái)，圖結(jié)構(gòu)被研究人員證明了其在建模非歐幾里得空間數(shù)據(jù)的有效性[13]。研究人員通常將交通數(shù)據(jù)建模為時(shí)空?qǐng)D，使用圖神經(jīng)網(wǎng)絡(luò)（GNN,graph neural network）提取地理位置的空間相關(guān)性，并使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN,recurrent neural network）提取序列時(shí)間相關(guān)性。Zhao 等[14]將交通數(shù)據(jù)建模為圖，通過(guò)GNN 提取圖的空間特征，并通過(guò)門(mén)控循環(huán)單元（GRU,gated recurrent unit）提取圖的時(shí)間特征。這項(xiàng)研究中，圖是基于頂點(diǎn)的單個(gè)屬性（物理拓?fù)洌?gòu)建，而對(duì)于頂點(diǎn)之間復(fù)雜的空間關(guān)聯(lián)，并沒(méi)有進(jìn)行全局建模。Chai 等[15]將頂點(diǎn)之間復(fù)雜的關(guān)聯(lián)建模成多圖，提出了多圖視角的GNN 預(yù)測(cè)自行車(chē)流量。Geng 等[16]基于多圖視角的GNN 預(yù)測(cè)城市的打車(chē)需求。然而，這些工作僅僅關(guān)注靜態(tài)的無(wú)向圖，而忽略了頂點(diǎn)之間的動(dòng)態(tài)交互，因此無(wú)法捕獲圖的全局空間關(guān)聯(lián)。現(xiàn)有工作僅考慮區(qū)域的流入/流出量，忽略了區(qū)域原有的停留量，同時(shí)，缺少對(duì)天氣、節(jié)假日和事件等因素的考慮，導(dǎo)致難以將這些最新的工作直接應(yīng)用到城市私家車(chē)流量預(yù)測(cè)任務(wù)中。

城市私家車(chē)流量由車(chē)輛進(jìn)入、停留和離開(kāi)城市區(qū)域的總數(shù)組成。其出行受到區(qū)域功能和區(qū)域間流量動(dòng)態(tài)交互的影響，例如，早高峰從住宅區(qū)前往工作區(qū)的私家車(chē)流量相對(duì)其他時(shí)間段的流量多[17]。區(qū)域之間私家車(chē)流量的動(dòng)態(tài)交互也反映了私家車(chē)的出行規(guī)律以及區(qū)域之間的關(guān)聯(lián)[18]。如何提取私家車(chē)出行的時(shí)空特征是首先面臨的挑戰(zhàn)。其次，車(chē)輛的停留時(shí)長(zhǎng)可以體現(xiàn)區(qū)域的位置屬性[19-20]。例如，在夜晚時(shí)間段，住宅區(qū)域的私家車(chē)平均停留時(shí)間往往比辦公區(qū)域的更長(zhǎng)，而在工作時(shí)間段則相反。如何充分利用私家車(chē)用戶(hù)的停留時(shí)長(zhǎng)表征區(qū)域的位置屬性是第二個(gè)挑戰(zhàn)。最后，天氣、節(jié)假日和事件等其他因素也會(huì)影響私家車(chē)流量的分布[21]，這些因素使預(yù)測(cè)問(wèn)題變得更加困難。

為解決以上挑戰(zhàn)，本文以研究城市私家車(chē)出行的時(shí)空特征為基礎(chǔ)，提出一種多源異構(gòu)數(shù)據(jù)融合的私家車(chē)流量預(yù)測(cè)方案。首先，融合私家車(chē)軌跡和城市區(qū)域數(shù)據(jù)表示私家車(chē)在城市中的出行分布。其次，通過(guò)多視角時(shí)空?qǐng)D建模私家車(chē)出行和城市區(qū)域之間的動(dòng)態(tài)關(guān)聯(lián)，其中圖的頂點(diǎn)為城市區(qū)域，邊為區(qū)域之間的聯(lián)系，設(shè)計(jì)多圖卷積-注意力網(wǎng)絡(luò)（MGC-AN,multiple graph convolution-attention network），提取私家車(chē)流量演變的時(shí)空特征。最后，嵌入天氣、節(jié)假日和事件等外部特征，結(jié)合時(shí)空特征與外部特征聯(lián)合預(yù)測(cè)未來(lái)時(shí)間段內(nèi)城市私家車(chē)流量。本文主要的研究工作如下。

1) 將私家車(chē)出行和城市區(qū)域之間的動(dòng)態(tài)關(guān)聯(lián)建模為多視角時(shí)空?qǐng)D，包括距離圖、功能圖、相似度圖和轉(zhuǎn)移圖。

2) 設(shè)計(jì)MGC-AN 提取私家車(chē)流量演變的時(shí)空特征，其中多圖卷積網(wǎng)絡(luò)提取全局空間特征，多圖卷積門(mén)循環(huán)網(wǎng)絡(luò)學(xué)習(xí)序列時(shí)間特征，注意力網(wǎng)絡(luò)捕獲停留時(shí)長(zhǎng)特征。

3) 將天氣、節(jié)假日和事件等數(shù)據(jù)作為外部特征進(jìn)行嵌入，將提取到的時(shí)空特征與嵌入的外部特征融合，進(jìn)行聯(lián)合預(yù)測(cè)。

4) 在長(zhǎng)沙市和深圳市采集的真實(shí)數(shù)據(jù)上進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的預(yù)測(cè)模型相比，MGC-AN 的均方根誤差（RMSE,root mean square error）約降低了11.3%～20.3%，平均絕對(duì)百分誤差（MAPE,mean absolute percentage error）約降低了10.8%～36.1%。

2 定義

定義 1GPS 軌跡。GPS 軌跡數(shù)據(jù)集G={G1,G2,…,Gn}，其中Gi={g1,g2,…,gn}表示編號(hào)為i的私家車(chē)用戶(hù)的軌跡序列，gn=(id,lonn,latn,tn)，lonn和latn分別為軌跡的經(jīng)度和緯度，tn為采樣時(shí)間戳。

定義 2OBD 序列。OBD 序列數(shù)據(jù)集O={O1,O2,…,On}，其中Oi={o1,o2,…,on}表示編號(hào)為i的私家車(chē)用戶(hù)的OBD 序列，on=(id,v n,tn)，v n為私家車(chē)的瞬時(shí)速度。

定義3停留點(diǎn)。停留數(shù)據(jù)集S={S1,S2,…,Sn}從GPS 和OBD 數(shù)據(jù)中提取，其中Si={s1,s2,…,sn}表示編號(hào)為i的私家車(chē)用戶(hù)的停留序列，si=(id,lon,lat,ts,te,τ)，ts為用戶(hù)i停車(chē)熄火的時(shí)間戳，te為下一次啟動(dòng)車(chē)輛的時(shí)間戳，τ為停留時(shí)長(zhǎng)。

定義4城市私家車(chē)流量。任意[t,t+?)時(shí)間段內(nèi)的城市私家車(chē)流量表示為Ft，計(jì)算式為

其中，為流入流量，為停留流量，為流出流量。

定義5興趣區(qū)域（AOI,area of interest）。興趣區(qū)域數(shù)據(jù)集a={a1,a2,…,an}，其中每一個(gè)興趣區(qū)域ai=(id,name,lon,lat,category)，lon 和lat 分別為興趣區(qū)域中心點(diǎn)的經(jīng)度和緯度，category 為興趣區(qū)域的類(lèi)別。

定義 6多視角時(shí)空?qǐng)D。一個(gè)時(shí)空?qǐng)DG=(V,ε,A,t)，其中V={v1,v2,…,vn}為頂點(diǎn)的集合，ε為[t,t+)?時(shí)間段內(nèi)圖G中邊的集合，A為[t,t+)?時(shí)間段內(nèi)的鄰接矩陣。本文將城市區(qū)域間的動(dòng)態(tài)關(guān)聯(lián)建模為多視角時(shí)空?qǐng)D（詳見(jiàn)3.1 節(jié)）。

本文的目標(biāo)為通過(guò)φ個(gè)現(xiàn)有的私家車(chē)流量，預(yù)測(cè)出T個(gè)時(shí)間段的私家車(chē)流量，如式(2)所示。

3 數(shù)據(jù)采集

3.1 私家車(chē)數(shù)據(jù)采集

通過(guò)車(chē)載GPS 和OBD 終端設(shè)備[22]采集私家車(chē)軌跡數(shù)據(jù)，如圖2 所示。為保護(hù)用戶(hù)的隱私，在上傳采集到的數(shù)據(jù)時(shí)，分配國(guó)際移動(dòng)設(shè)備識(shí)別碼（IMEI,international mobile equipment identity）給用戶(hù)的GPS/OBD 設(shè)備，作為每輛車(chē)的脫敏身份標(biāo)志號(hào)（如表1 的ID 字段）。車(chē)載OBD 終端設(shè)備主要包含GPS定位模塊、OBD 讀取模塊和內(nèi)置用戶(hù)身份識(shí)別模塊（SIM,subscriber identity module）卡的通用無(wú)線(xiàn)分組業(yè)務(wù)（GPRS,general packet radio service）通信模塊[23]。OBD 模塊從車(chē)輛OBD 接口讀取車(chē)載傳感器數(shù)據(jù)，結(jié)合GPS 模塊和GPRS 通信模塊（內(nèi)置SIM 卡），將實(shí)時(shí)采集到的軌跡數(shù)據(jù)上傳到云服務(wù)器。采集到的軌跡數(shù)據(jù)示例如表1 所示，其收集了全國(guó)范圍內(nèi)的私家車(chē)軌跡數(shù)據(jù)，目前數(shù)據(jù)量已經(jīng)達(dá)到TB 級(jí)別。

圖2 私家車(chē)軌跡數(shù)據(jù)采集設(shè)備

表1 采集到的軌跡數(shù)據(jù)示例

3.2 興趣區(qū)域數(shù)據(jù)采集

興趣區(qū)域是包含多類(lèi)興趣點(diǎn)（POI,point of interest）的區(qū)域狀的地理實(shí)體[24]，本文通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)獲取高德地圖上的POI 和AOI 數(shù)據(jù)，其中POI數(shù)據(jù)用于獲取AOI 的類(lèi)別信息，例如風(fēng)景名勝。POI和AOI 的字段及其含義如表2 所示。

表2 POI 和AOI 的字段及其含義

3.3 外部特征數(shù)據(jù)采集

私家車(chē)出行通常受到復(fù)雜的外部因素的影響，例如天氣、節(jié)假日和事件等其他因素。本文考慮其他因素對(duì)私家車(chē)流量預(yù)測(cè)的影響，采集了天氣、節(jié)假日和事件等外部特征數(shù)據(jù)，均以天為單位統(tǒng)計(jì)。天氣數(shù)據(jù)通過(guò)百度地圖天氣查詢(xún)API 獲取，包含氣溫、風(fēng)力級(jí)別和天氣現(xiàn)象3 個(gè)字段，其中氣溫和風(fēng)力級(jí)別為一天的平均值。事件數(shù)據(jù)采用網(wǎng)絡(luò)爬蟲(chóng)獲取，采集到的各字段及其含義如表3 所示。

表3 外部特征數(shù)據(jù)字段

4 數(shù)據(jù)融合

本文的整體框架如圖3 所示。首先，將采集到的數(shù)據(jù)進(jìn)行融合，具體分為停留點(diǎn)數(shù)據(jù)提取、城市私家車(chē)流量分布統(tǒng)計(jì)和外部特征嵌入。

4.1 停留點(diǎn)數(shù)據(jù)提取

相比海量的私家車(chē)軌跡數(shù)據(jù)，私家車(chē)停留點(diǎn)的數(shù)據(jù)量較少。私家車(chē)持續(xù)的停留行為同樣包含了出行行為[3]。本文基于停留點(diǎn)數(shù)據(jù)統(tǒng)計(jì)城市私家車(chē)流量[25]，停留點(diǎn)數(shù)據(jù)提取于GPS 軌跡和OBD 序列數(shù)據(jù)，提取過(guò)程如算法1 所示。提取后的數(shù)據(jù)字段如定義3 所示。

算法1私家車(chē)停留點(diǎn)數(shù)據(jù)提取算法

4.2 城市私家車(chē)流量分布統(tǒng)計(jì)

通過(guò)空間連接對(duì)提取到的停留數(shù)據(jù)與AOI 數(shù)據(jù)匹配，得到各個(gè)AOI 的私家車(chē)的流量分布。本節(jié)分別計(jì)算不同時(shí)間段內(nèi)車(chē)輛進(jìn)入、停留和離開(kāi)各AOI 的流量，得到不同時(shí)間段各AOI 的私家車(chē)總流量，過(guò)程如算法2 所示。

算法2興趣區(qū)域識(shí)別與車(chē)流量統(tǒng)計(jì)算法

4.3 外部特征嵌入

天氣、節(jié)假日和事件數(shù)據(jù)在本文中作為外部特征數(shù)據(jù)。將外部特征數(shù)據(jù)的時(shí)間和行政區(qū)字段與私家車(chē)停留數(shù)據(jù)的時(shí)間和位置字段進(jìn)行匹配，從而將數(shù)據(jù)進(jìn)行融合。E t?+為在預(yù)測(cè)時(shí)間步長(zhǎng)[t,t+)?上外部因素的嵌入向量。這些與環(huán)境相關(guān)的特征在空間或時(shí)間方面沒(méi)有明確關(guān)聯(lián)，并且這些因素以復(fù)雜且非線(xiàn)性的方式影響私家車(chē)流量。如圖3 中的預(yù)處理的右半部分，本文通過(guò)堆疊2 個(gè)全連接層嵌入外部特征，第一層為每類(lèi)數(shù)據(jù)的嵌入層，第二層將嵌入后的向量進(jìn)行升維，保持多源異構(gòu)數(shù)據(jù)的維度相同。

5 多圖卷積-注意力網(wǎng)絡(luò)

5.1 多圖建模

本文將私家車(chē)出行和城市區(qū)域之間的動(dòng)態(tài)關(guān)聯(lián)建模為多視角時(shí)空?qǐng)D，具體包括距離圖、相似度圖、功能圖和轉(zhuǎn)移圖。圖的頂點(diǎn)為城市的各個(gè)AOI，邊分別為AOI 之間的距離、各AOI 歷史流量的相似度、POI 功能和AOI 之間流量的動(dòng)態(tài)轉(zhuǎn)移。

1) 距離圖

“地理學(xué)第一定律”認(rèn)為，任何事物都是與其他事物相關(guān)的，相近的事物關(guān)聯(lián)更緊密[3]。受此定律的啟發(fā)，本文將各AOI 之間的地理距離定義為距離圖，圖的鄰接矩陣定義如式(3)～式(5)所示。

其中，dist(vi,vj)為2 個(gè)站點(diǎn)之間的Haversine 距離，vi=(loni,lati)和vj=(lonj,latj)分別為AOI 對(duì)的中心點(diǎn)坐標(biāo)，e=6371.004為地球的近似半徑。

2) 相似度圖

圖3 方案框架

歷史車(chē)流量相似的AOI 在未來(lái)時(shí)刻極大可能共享相似的車(chē)流量模式。本文基于AOI 之間的歷史流量的相似度量化它們之間的相關(guān)性[26]，相似度由皮爾遜相關(guān)系數(shù)進(jìn)行度量，相似度圖的鄰接矩陣的定義為

其中，和分別表示2 個(gè)AOI 歷史流量的平均值。

3) 功能圖

POI 類(lèi)別反映了AOI 的功能，具有相似功能的AOI 共享相似的流量模式[27]。本文對(duì)高德地圖的一級(jí)POI 類(lèi)別進(jìn)行重新分類(lèi)，共分為9 個(gè)類(lèi)別，如表4所示。功能圖的邊為AOI類(lèi)別向量P的余弦相似度，如式(7)所示。

其中，ai.c和a j.c分別為區(qū)域i和區(qū)域j的POI 類(lèi)別，Pai和Paj分別為區(qū)域i和區(qū)域j的類(lèi)別向量。

表4 POI 類(lèi)別

4) 轉(zhuǎn)移圖

與以上3 種類(lèi)型的時(shí)空?qǐng)D不同，轉(zhuǎn)移圖是有向圖，圖的邊是不同時(shí)間段的AOI 之間的流量轉(zhuǎn)移。在[t,t+)?時(shí)間段內(nèi)，vi和vj的轉(zhuǎn)移流量的總和的計(jì)算式為

其中，Transij,t表示在[t,t+?)時(shí)間段內(nèi)區(qū)域i到區(qū)域j的轉(zhuǎn)移總流量。

5.2 空間特征提取

為了提取多視角時(shí)空?qǐng)D的全局空間特征，本文采用多圖卷積神經(jīng)網(wǎng)絡(luò)。在單個(gè)的圖神經(jīng)網(wǎng)絡(luò)中，圖中來(lái)自鄰居的信息被匯總并用于逐步更新頂點(diǎn)的隱藏狀態(tài)，其中該信息通過(guò)動(dòng)態(tài)過(guò)渡網(wǎng)絡(luò)進(jìn)行傳播。利用堆疊的卷積，頂點(diǎn)會(huì)捕獲來(lái)自較大鄰域的信息。單個(gè)空間圖上的卷積為

將式(3)～式(8)的多圖進(jìn)行聚合，有

其中，fa為多圖融合的聚合函數(shù)，θi為聚合參數(shù)。

將式(9)和式(10)結(jié)合，即為多視角時(shí)空?qǐng)D的空間特征提取過(guò)程。為方便表示，本文將這一過(guò)程簡(jiǎn)化為

其中，Am為多圖的結(jié)合，fg為空間特征提取函數(shù)。

5.3 時(shí)間特征提取

將式(12)和式(13)輸入多圖卷積門(mén)循環(huán)網(wǎng)絡(luò)中以提取序列時(shí)間特征，如式(14)～式(17)所示。

其中，Ht[i;]表示第[t,t+?)時(shí)間段的輸出，⊙表示逐元素點(diǎn)乘法。

本文將每個(gè)AOI 的私家車(chē)平均停留時(shí)長(zhǎng)作為區(qū)域的權(quán)重，設(shè)計(jì)了基于私家車(chē)停留時(shí)長(zhǎng)的注意力網(wǎng)絡(luò)，為不同AOI 分配不同的注意力權(quán)重，以表征區(qū)域的位置屬性。

對(duì)于時(shí)空?qǐng)D中的任意頂點(diǎn)vi，多圖卷積門(mén)循環(huán)網(wǎng)絡(luò)的輸出序列H1[i,:],…,Ht[i,:]為注意力網(wǎng)絡(luò)的輸入。對(duì)每一個(gè)頂點(diǎn)進(jìn)行注意力加權(quán)，如式(18)～式(20)所示。

其中，Wi,st為前τ個(gè)時(shí)間段頂點(diǎn)vi的平均停留時(shí)長(zhǎng)，u為權(quán)重向量，,:]為每個(gè)頂點(diǎn)加權(quán)后的輸出。

5.4 預(yù)測(cè)

本文將多圖卷積門(mén)循環(huán)網(wǎng)絡(luò)的輸出與外部特征Et?+與進(jìn)行融合，作為聯(lián)合預(yù)測(cè)的輸入，如式(21)所示。

模型訓(xùn)練目標(biāo)是最小化真實(shí)流量和預(yù)測(cè)流量之間的誤差。損失函數(shù)為

6 實(shí)驗(yàn)與對(duì)比分析

6.1 實(shí)驗(yàn)數(shù)據(jù)

如表5 所示，本文選擇在長(zhǎng)沙市和深圳市采集到的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，表中軌跡數(shù)是去噪后的軌跡條數(shù)。實(shí)驗(yàn)選擇有私家車(chē)停留記錄的AOI 作為目標(biāo)城市區(qū)域。

6.2 對(duì)比模型

本文選擇以下6 種對(duì)比模型。

最小絕對(duì)值收斂和選擇算子（LASSO,least absolute shrinkage and selection operator），為線(xiàn)性預(yù)測(cè)模型。

支持向量回歸（SVR,support vector regression）[28]，選擇徑向基函數(shù)作為核函數(shù)進(jìn)行非線(xiàn)性預(yù)測(cè)。

多圖卷積神經(jīng)網(wǎng)絡(luò)（Multi-GCN,multiple graph convolutional network），基于多圖建模進(jìn)行預(yù)測(cè)[29]。

堆疊門(mén)控循環(huán)單元（Stack-GRU,stack gated recurrent unit），通過(guò)堆疊的GRU 進(jìn)行預(yù)測(cè)。

時(shí)間圖卷積神經(jīng)網(wǎng)絡(luò)（T-GCN,temporal graph convolutional network），通過(guò)GCN 提取時(shí)間特征，通過(guò)GRU 提取空間特征[14]。

擴(kuò)散卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（DCRNN,diffusion convolutional recurrent neural network），通過(guò)雙向隨機(jī)行走提取空間特征，通過(guò)編碼-解碼架構(gòu)提取時(shí)間特征[30]。

6.3 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)的軟硬件環(huán)境為Ubuntu 18.04 64 位系統(tǒng)，NVIDIA GTX 1650 4 GB GPU，模型基于Python 和Tensorflow 實(shí)現(xiàn)。實(shí)驗(yàn)數(shù)據(jù)的前80%數(shù)據(jù)作為訓(xùn)練集，后20%數(shù)據(jù)作為測(cè)試集；Adam算法作為模型的優(yōu)化器；設(shè)置學(xué)習(xí)率的初始值為0.001 5，模型每迭代1 000 次自動(dòng)衰減初始的90%；模型訓(xùn)練的批大小為64；設(shè)置τ=12，T=5 ；實(shí)驗(yàn)設(shè)置了早停策略，當(dāng)測(cè)試集的損失等于訓(xùn)練集的損失時(shí)，模型訓(xùn)練達(dá)到最優(yōu)，即停止訓(xùn)練，防止模型過(guò)擬合。

本文對(duì)私家車(chē)的停留時(shí)長(zhǎng)進(jìn)行統(tǒng)計(jì)分析，結(jié)果如圖4 所示。無(wú)論在工作日還是周末，大部分私家車(chē)的停留時(shí)長(zhǎng)均在2 h 以?xún)?nèi)，少部分持續(xù)到2 h 以上且不超過(guò)8 h，8 h 以上的停留時(shí)長(zhǎng)稀少。因此，本文將?的范圍設(shè)置在2 h 內(nèi)，分別為30 min、60 min和90 min，即在不同的設(shè)置下，一天分別被均勻劃分為48、24 或16 個(gè)時(shí)間片。

表5 實(shí)驗(yàn)數(shù)據(jù)

圖4 私家車(chē)停留時(shí)長(zhǎng)分布

6.4 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)選用RMSE 和MAPE 這2 個(gè)評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估，計(jì)算式分別為

其中，F(xiàn)i為真實(shí)值，為預(yù)測(cè)值。

6.5 實(shí)驗(yàn)結(jié)果

首先，對(duì)城市中的所有AOI 進(jìn)行預(yù)測(cè)。表6 和表7 分別為長(zhǎng)沙和深圳數(shù)據(jù)集上的MGC-AN 與其他模型的預(yù)測(cè)結(jié)果。當(dāng)?=30 min 時(shí)，SVR 在2 個(gè)城市的數(shù)據(jù)集上均能很好地捕獲短期的時(shí)間特征，從而表現(xiàn)出較好的性能。私家車(chē)的平均出行時(shí)長(zhǎng)通常在30 min 以上，如圖5 所示，在長(zhǎng)期預(yù)測(cè)的情況下，SVR 和T-GCN 表現(xiàn)出的性能較低。在?=60 min 和?=90 min 的情況下，MGC-AN 的性能均優(yōu)于其他模型，可能的原因是私家車(chē)用戶(hù)平均的出行時(shí)長(zhǎng)通常大于30min，小于60 min，如圖5 所示。對(duì)于其他模型，由于私家車(chē)的流量預(yù)測(cè)是非線(xiàn)性預(yù)測(cè)問(wèn)題，因此線(xiàn)性模型LASSO 無(wú)法捕獲這種復(fù)雜的非線(xiàn)性關(guān)聯(lián)；Multi-GCN 僅考慮了空間層面的特征，難以提取序列時(shí)間特征和停留時(shí)長(zhǎng)特征；DCRNN 建模了單個(gè)視角的時(shí)空?qǐng)D，且忽略了停留時(shí)長(zhǎng)特征。因此以上3 種模型無(wú)論在短期還是長(zhǎng)期時(shí)內(nèi)，均難以準(zhǔn)確預(yù)測(cè)私家車(chē)流量。

表6 長(zhǎng)沙數(shù)據(jù)集上MGC-AN 與其他模型的預(yù)測(cè)結(jié)果

表7 深圳數(shù)據(jù)集上MGC-AN 與其他模型的預(yù)測(cè)結(jié)果

圖5 私家車(chē)平均出行時(shí)長(zhǎng)分布

其次，隱藏神經(jīng)元的個(gè)數(shù)對(duì)模型性能的影響非常大，本文分別基于不同范圍的神經(jīng)元數(shù)目對(duì)MGC-AN 進(jìn)行實(shí)驗(yàn)。圖6 為不同神經(jīng)元數(shù)目對(duì)RMSE 指標(biāo)的影響；圖7 為不同神經(jīng)元數(shù)目對(duì)MAPE 指標(biāo)的影響，縱坐標(biāo)為百分?jǐn)?shù)。實(shí)驗(yàn)結(jié)果表示，在長(zhǎng)沙數(shù)據(jù)集上，32 個(gè)隱藏神經(jīng)元模型性能最佳；在深圳數(shù)據(jù)集上，64 個(gè)隱藏神經(jīng)元模型性能最佳。

圖6 不同神經(jīng)元數(shù)目對(duì)RMSE 指標(biāo)的影響

圖7 不同神經(jīng)元數(shù)目對(duì)MAPE 指標(biāo)的影響

本文對(duì)提出的MGC-AN 模型進(jìn)行了消融分析，即消融模型中的組件后評(píng)估模型的性能。“w/o”表示消融某個(gè)組件。表8 為在?=60 min 的情況下模型移除轉(zhuǎn)移圖（T）、功能圖（F）、相似度圖（S）和距離圖（D）組件的RMSE 指標(biāo)。結(jié)果表明，消融轉(zhuǎn)移圖對(duì)模型的影響最顯著，原因是轉(zhuǎn)移圖是動(dòng)態(tài)有向圖，能夠從車(chē)流量轉(zhuǎn)移的角度反映區(qū)域之間的動(dòng)態(tài)關(guān)聯(lián)。其次顯著的是功能圖，表明功能相同的區(qū)域的車(chē)流量模式較相似。相比距離圖，相似度圖能更直觀地建模區(qū)域車(chē)流量的演變模式，因此相似度圖對(duì)模型的影響比距離圖更顯著。

表8 消融分析

最后，可視化單個(gè)AOI 的預(yù)測(cè)結(jié)果。本文隨機(jī)選擇2 個(gè)AOI 的預(yù)測(cè)結(jié)果和真實(shí)結(jié)果進(jìn)行可視化。圖8 中選擇的區(qū)域?yàn)殚L(zhǎng)沙市某區(qū)域，類(lèi)型為生活和辦公場(chǎng)所，面積為2.8 萬(wàn)平方米。在2018 年9 月28 日上午9:00 至9 月30 日中午11:00，該區(qū)域的私家車(chē)流量的預(yù)測(cè)值和真實(shí)值如圖8所示。由于該區(qū)域是集生活?yuàn)蕵?lè)和辦公于一體的場(chǎng)所，因此白天的車(chē)流量多于晚上，周末（9 月29 日和9 月30 日）的車(chē)流量多于工作日（9 月28 日）。

圖8 在2018 年9 月28 日至9 月30 日長(zhǎng)沙市私家車(chē)流量的預(yù)測(cè)結(jié)果

圖9 中選擇的區(qū)域?yàn)樯钲谑心硡^(qū)域，類(lèi)型為公寓，面積為3.6 萬(wàn)平方米。在2018 年9 月28 日上午9:00 至9 月30 日中午11:00。由于該區(qū)域是公寓類(lèi)型的場(chǎng)所，因此工作日的車(chē)流量明顯少于周末，白天的車(chē)流量也少于晚上。

圖9 在2018 年9 月28 日至9 月30 日深圳市私家車(chē)流量的預(yù)測(cè)結(jié)果

7 結(jié)束語(yǔ)

本文從私家車(chē)出行的時(shí)空特征出發(fā)，對(duì)私家車(chē)出行和城市區(qū)域之間的動(dòng)態(tài)關(guān)聯(lián)進(jìn)行建模，提出了多卷積-注意力網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)了城市私家車(chē)流量。在長(zhǎng)沙和深圳這2 個(gè)城市采集的真實(shí)數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)，與所選的現(xiàn)有模型進(jìn)行了對(duì)比，多卷積-注意力網(wǎng)絡(luò)模型表現(xiàn)出更優(yōu)的預(yù)測(cè)性能。本文關(guān)注城市私家車(chē)用戶(hù)群體，為智能交通的研究提供了新視角，旨在為智慧停車(chē)、風(fēng)險(xiǎn)預(yù)警和城市規(guī)劃等應(yīng)用提供新方案。下一步考慮在線(xiàn)學(xué)習(xí)，旨在采集數(shù)據(jù)的同時(shí)實(shí)現(xiàn)在線(xiàn)預(yù)測(cè)。