基于數(shù)據(jù)編解碼的時空交通流預(yù)測方法

龍佰超 關(guān)為生 肖建力

摘要：針對路網(wǎng)的拓撲信息不完整而無法實現(xiàn)時空結(jié)合交通流預(yù)測的情況，提出了一種基于時間序列預(yù)測模型聯(lián)合數(shù)據(jù)編解碼機制的預(yù)測方法。對路網(wǎng)內(nèi)路段交通流數(shù)據(jù)進行編碼得到路網(wǎng)信息的鏈狀結(jié)構(gòu)，以此獲取路網(wǎng)結(jié)構(gòu)中的拓撲信息；通過時序模型對鏈狀結(jié)構(gòu)進行交通流預(yù)測，完成對鏈狀結(jié)構(gòu)的時序特征提取；最終，通過解碼方法得到路網(wǎng)的時空交通流預(yù)測結(jié)果。采用GPS數(shù)據(jù)，選取不同路網(wǎng)進行對比實驗，引入數(shù)據(jù)編解碼的時空交通流預(yù)測方法與時間序列模型進行比較，并且與基線模型HA和ARIMA展開了對比實驗。實驗結(jié)果表明：深度學(xué)習(xí)模型引入數(shù)據(jù)編解碼機制后，模型性能明顯提升；引入數(shù)據(jù)編解碼機制的深度學(xué)習(xí)模型的性能比基線模型的性能更優(yōu)越。該方法僅僅使用簡單的時間序列深度網(wǎng)絡(luò)再聯(lián)合數(shù)據(jù)的編解碼機制即可實現(xiàn)時空結(jié)合的交通流預(yù)測。

關(guān)鍵詞：智能交通系統(tǒng)；交通流預(yù)測；數(shù)據(jù)編解碼；時序模型；深度學(xué)習(xí)

中圖分類號：U 491.112

文獻標(biāo)志碼：A

隨著城市道路和車輛的增多，實時、準(zhǔn)確的交通流預(yù)測尤為重要。單一的時間序列預(yù)測模型無法滿足交通流預(yù)測的需求。路網(wǎng)中相鄰道路之間相互影響，交通流預(yù)測任務(wù)必須同時考慮時間特性和空間特性。因此，基于時空特性的交通流預(yù)測方法成為當(dāng)下智能交通領(lǐng)域的熱門研究話題。

在特征提取的尺度上，模型可以分為3種：時序模型、空間模型和時空模型[1]。時序模型和空間模型分別提取交通流數(shù)據(jù)的時間特征和空間特征。時空模型既能提取交通流數(shù)據(jù)的時間特征，也能提取空間特征，并且在交通流預(yù)測中取得了不錯的效果。時序模型又可以分為傳統(tǒng)模型和基于深度學(xué)習(xí)的模型。白回歸綜合移動平均模型‘1、灰色預(yù)測模型[3]、卡爾曼濾波模型H、支持向量機同歸模型[5]、K最近鄰模型[6]、貝葉斯模型[7]、模糊邏輯模型[8]和人丁神經(jīng)網(wǎng)絡(luò)模型[9]為傳統(tǒng)的時間序列模型。基于深度學(xué)習(xí)的時序模型有循環(huán)神經(jīng)網(wǎng)絡(luò)[10]、長短期記憶[11]和門控循環(huán)單元[12]等。空間模型中的卷積神經(jīng)網(wǎng)絡(luò)適用于歐幾里德空間，而圖卷積網(wǎng)絡(luò)可以從本質(zhì)上描述空間特征，并提取復(fù)雜路網(wǎng)結(jié)構(gòu)，但需要擁有路網(wǎng)中圖結(jié)構(gòu)的鄰接矩陣等信息。路網(wǎng)交通情況十分復(fù)雜，這些方法的交通流預(yù)測性能需要進一步提升，因此，時空模型脫穎而出。當(dāng)下時空模型大多數(shù)為時空混合模型，即為時間模型和空間模型的融合。在路網(wǎng)拓撲結(jié)構(gòu)可以獲得的情況下，混合模型可以得到不錯的效果，但是，足夠的拓撲數(shù)據(jù)不易獲取。

綜上，本文提出了一種基于數(shù)據(jù)編解碼的時空交通流預(yù)測方法。在不能獲取足夠拓撲信息的情況下，此方法充分考慮交通流的時間特性和空間特性，利用數(shù)據(jù)編解碼對路網(wǎng)進行空間特征的提取，運用時序模型對路網(wǎng)進行時間特征的提取，從而能更準(zhǔn)確地預(yù)測實際交通狀況，有效提高預(yù)測精度。

1 交通流預(yù)測方法概述

智能交通系統(tǒng)發(fā)展至今，許多學(xué)者提出了基于時間、空間和時空特性的交通流預(yù)測方法，不同的交通流預(yù)測方法在特征提取上各有不同。

1.1 基于時間特性的交通流預(yù)測方法

傳統(tǒng)的基于時間特性的交通流預(yù)測方法少數(shù)為參數(shù)模型[13]，如白同歸綜合移動平均模型、灰色預(yù)測模型和卡爾曼濾波模型等，上述模型算法簡單，計算方便。但是其依賴于系統(tǒng)模型的靜態(tài)假設(shè)，不能反映交通數(shù)據(jù)的非線性和不確定性。而非參數(shù)模型[14]在擁有充足歷史數(shù)據(jù)的條件下，可以很好地解決這些問題。常見的非參數(shù)模型有支持向量機同歸模型、K最近鄰模型、貝葉斯模型、模糊邏輯模型和人工神經(jīng)網(wǎng)絡(luò)模型等。隨著深度學(xué)習(xí)的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)及其變種長短期記憶和門控循環(huán)單元成為當(dāng)下常用的時間序列預(yù)測模型。

1.2 基于空間特性的交通流預(yù)測方法

卷積神經(jīng)網(wǎng)絡(luò)在處理規(guī)則的網(wǎng)格數(shù)據(jù)時效果十分顯著，但是路網(wǎng)結(jié)構(gòu)往往是不規(guī)則的圖結(jié)構(gòu)。相較于卷積神經(jīng)網(wǎng)絡(luò)，圖卷積網(wǎng)絡(luò)在處理非歐式結(jié)構(gòu)數(shù)據(jù)上效果更好，可以用于捕獲圖數(shù)據(jù)的結(jié)構(gòu)特征。由于兩者所面對的數(shù)據(jù)結(jié)構(gòu)不同，圖卷積網(wǎng)絡(luò)廣泛應(yīng)用于路網(wǎng)交通流預(yù)測，并且取得了良好的效果。在充足的路網(wǎng)拓撲數(shù)據(jù)下，圖卷積網(wǎng)絡(luò)在空間特征提取上有著不錯的效果，如路網(wǎng)圖結(jié)構(gòu)的度矩陣、鄰接矩陣等。

1.3 基于時空特性的交通流預(yù)測方法

許多學(xué)者將時間序列模型和空間序列模型組合成為時空混合模型，混合模型既能提取時間特征，還能提取路網(wǎng)的空間拓撲信息。Zhao等[15]將圖卷積網(wǎng)絡(luò)與門控循環(huán)單元相結(jié)合，提出時間圖卷積網(wǎng)絡(luò)。Zhang等[16]提出基于動態(tài)特征編碼的時空模糊圖卷積網(wǎng)絡(luò)模型，該模型將圖卷積網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)相結(jié)合，同樣達到了不錯的時空預(yù)測效果。無論時序模型和空間模型如何組合，都需要充足的路網(wǎng)拓撲數(shù)據(jù)才可以進行交通流預(yù)測，而拓撲數(shù)據(jù)往往比較難以獲取。Yu等[17]通過圖卷積和注意力機制捕獲幾何交通數(shù)據(jù)相關(guān)性，并使用生成式對抗學(xué)習(xí)框架內(nèi)的編碼器和解碼器體系結(jié)構(gòu)提取和擴展時間數(shù)據(jù)相關(guān)性。傳統(tǒng)的統(tǒng)計學(xué)算法以及近年來的機器學(xué)習(xí)、深度學(xué)習(xí)算法都可以用于時間序列預(yù)測，不同的方法各有優(yōu)劣。當(dāng)同時預(yù)測多個時間序列，并且各個時間序列之間存在空間上的關(guān)系時，就不能只將每個時間序列單獨建模，而需要考慮不同時間序列之間的空間依賴關(guān)系。基于時空特性的交通流預(yù)測方法主要為時序模型和空間模型組成的混合模型，在已知路網(wǎng)信息充足的情況下，上述方法有著不錯的表現(xiàn)。但數(shù)據(jù)的獲取往往十分困難，且路網(wǎng)信息不完整的情況長期存在。考慮道路拓撲數(shù)據(jù)獲取困難等問題，本文提出基于數(shù)據(jù)編解碼的時空交通流預(yù)測方法，該方法的具體流程如 所示。

首先對初始路段數(shù)據(jù)進行初始化得到歸一化的數(shù)據(jù)X；然后選取中心路段進行路網(wǎng)構(gòu)建和數(shù)據(jù)的編碼，提取路網(wǎng)中隱藏的空間特征矩陣X，此過程將路網(wǎng)的拓撲結(jié)構(gòu)信息編碼為鏈狀結(jié)構(gòu)；將編碼后的數(shù)據(jù)輸入時序模型中提取路網(wǎng)的時間特征，得到編碼數(shù)據(jù)矩陣Y；最后通過數(shù)據(jù)解碼得到路網(wǎng)中道路的交通流數(shù)據(jù)Y。表1 為本文符號說明。

2 路網(wǎng)輸入數(shù)據(jù)的編碼

道路交通流數(shù)據(jù)是常見的時間序列數(shù)據(jù)，用于描述交通現(xiàn)象隨時間變化的情況。單個路段有多種表示形式，如經(jīng)緯坐標(biāo)、道路編號等。為路網(wǎng)結(jié)構(gòu)的一個示例。

圖2用數(shù)字編號代表路段名稱。以路段5為路網(wǎng)的中心路段記錄路網(wǎng)層次信息，具體的路網(wǎng)信息如 所示。

其中，路段5為第0層，路段13，16，17，6，14為第1層，路段2，11，1，7，19，8，9，18，15，3為第2層。第1層的路段與第0層的中心路段相鄰，第2層的路段通過第1層的路段與第0層相鄰。由中心路段5出發(fā)構(gòu)成的路網(wǎng)層次遍歷如 所示。

逐層之間父節(jié)點與子節(jié)點為相鄰路段，并且具有空間依賴關(guān)系。具體的路網(wǎng)輸入數(shù)據(jù)的編碼算法如下：

步驟1設(shè)置時間序列長度Ⅳ的初始值，選取中心路段，獲得路網(wǎng)遍歷層數(shù)為K，令i=1；

步驟2令L=0，j=1，獲取第L層的路段數(shù)WL；

步驟3遍歷第L層所有路段交通速度數(shù)據(jù)Xij，每次遍歷路段數(shù)據(jù)后j=j+1，如果j> WL，則執(zhí)行步驟4，否則重復(fù)步驟3；

步驟4 1=1+1，如果L>K，則執(zhí)行步驟5，否則重復(fù)步驟3，直到最后一個路段交通流速度數(shù)據(jù)Xij遍歷結(jié)束，此時遍歷路段總數(shù)為M;

步驟5

xi= （Xil Xi2 - XiM）T，i=i+l，如果i>Ⅳ，則執(zhí)行步驟6，否則重復(fù)步驟2--4，直到遍歷完所有時間序列；

步驟6將交通流速度數(shù)據(jù)x1，x2，…，xN接為矩陣X;

步驟7記錄路網(wǎng)數(shù)據(jù)層次遍歷的順序信息，得到路段編號集合R。例如根據(jù) 所示的實例，則R={{5}，{13，16，17，6，14}，{2，11，1，7， 19，8，9， 18， 15，3}}。由上述算法得到的路網(wǎng)輸人數(shù)據(jù)編碼形式如下：

路網(wǎng)輸入數(shù)據(jù)編碼可以總結(jié)為將路網(wǎng)復(fù)雜的拓撲結(jié)構(gòu)映射為鏈狀結(jié)構(gòu)，圖4為路網(wǎng)輸人數(shù)據(jù)編碼的輸入與輸出。

其中，原始道路數(shù)據(jù)為復(fù)雜的圖結(jié)構(gòu)，紅色路段為中心路段，藍色路段為相鄰路段，其次為次相鄰路段。將其編碼為鏈狀數(shù)據(jù)結(jié)構(gòu)輸出，路段的排序方式分別為中心路段、相鄰路段和次相鄰路段。時間維度上掃描的數(shù)據(jù)為1--N。

3 時序模型

基于編解碼的時空交通流預(yù)測方法在時序特征提取上采用循環(huán)神經(jīng)網(wǎng)絡(luò)（ recurrent neuralnetwork，RNN），長短期記憶（long short-termmemory，LSTM）和門控循環(huán)單元（gated recurrentunit，GRU）等模型，這些模型都可以處理多元時間序列數(shù)據(jù)。RNN結(jié)構(gòu)簡單，但由于在進行反向傳播的時候，過長的序列導(dǎo)致梯度的計算異常，發(fā)生梯度消失或爆炸，所以，傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)在解決長序列之間的關(guān)聯(lián)時，效果很差。因此，在RNN模型中加入內(nèi)存單元或門控結(jié)構(gòu)是解決以上問題的有效方法。LSTM為RNN的變體，在學(xué)習(xí)長期依賴性方面顯示出很好的效果。相比于LSTM模型，GRU模型結(jié)構(gòu)更簡單，只有重置門和更新門，而且也能很好地解決時間序列的長期依賴性問題。

時間序列預(yù)測模型根據(jù)歷史數(shù)據(jù)只可提取數(shù)據(jù)的時間特征，最終得到預(yù)測結(jié)果。此時，在交通流預(yù)測任務(wù)中，預(yù)測結(jié)果未考慮路網(wǎng)內(nèi)相鄰道路之間的空間相關(guān)性，道路之間的預(yù)測結(jié)果彼此相互獨立。引人數(shù)據(jù)編解碼后，將通過數(shù)據(jù)編碼得到的時間序列輸入到時序模型中進行交通流預(yù)測，得到對應(yīng)步長的輸出序列。圖5為引人數(shù)據(jù)編解碼后的時間序列預(yù)測圖。

圖5中：p為歷史窗口大小，即歷史數(shù)據(jù)的長度；q為預(yù)測步長。q=1為單步預(yù)測，預(yù)測下一時刻的交通流速度；q>1為多步預(yù)測，預(yù)測多個時間步的交通流速度。通過時間序列模型預(yù)測編碼后交通流數(shù)據(jù)的結(jié)果。

4 模型輸出數(shù)據(jù)的解碼

模型輸出數(shù)據(jù)的解碼將預(yù)測的鏈狀結(jié)構(gòu)時間片映射到路網(wǎng)復(fù)雜的拓撲結(jié)構(gòu)中。本文根據(jù)保存的路段信息依次將預(yù)測后的交通流數(shù)據(jù)映射到路段編號中并輸出，即可得到整個路網(wǎng)的交通流預(yù)測，模型輸出數(shù)據(jù)解碼示意圖如圖6所示。

圖6中，左邊為時序模型的輸出數(shù)據(jù)，右邊為解碼后的路網(wǎng)交通流預(yù)測結(jié)果。模型輸出數(shù)據(jù)的解碼算法如下：

步驟1設(shè)置預(yù)測步長g的初始值，獲取路段編號集合R，獲得路網(wǎng)遍歷層數(shù)為K，令i=1；；

步驟2 令L=0，j=1；

步驟3 映射第L層所有路段交通流速度Yij；

步驟4 L=L+1，如果L>K，執(zhí)行步驟5，否則重復(fù)步驟3，直到最后一個路段交通流速度數(shù)據(jù)映射結(jié)束；

步驟5 Yi=（Yi1 Yi2 ... YiM）T，i=i+1，如果i>q，執(zhí)行步驟6，否則重復(fù)步驟2～4，直到解碼完所有的時間片；

步驟6輸出路網(wǎng)交通流預(yù)測結(jié)果Yi，其中f-1，2，…，q。

5 實驗

本文實驗主要圍繞兩個核心問題進行展開：深度學(xué)習(xí)模型引入編解碼機制后，性能指標(biāo)是否得到提升；引入編解碼機制的深度學(xué)習(xí)模型的性能是否比基線模型的性能優(yōu)越。為此，實驗的主要內(nèi)容分為兩個部分：一是深度學(xué)習(xí)模型引入編解碼機制前后性能的比較實驗；二是引入編解碼機制的深度學(xué)習(xí)模型與基線模型性能的比較實驗。

5.1 數(shù)據(jù)來源與預(yù)處理

本文所用的原始數(shù)據(jù)為上海市交通信息中心提供的GPS數(shù)據(jù)[18]。實驗時，從原始數(shù)據(jù)中提取了所選路網(wǎng)的速度數(shù)據(jù)。數(shù)據(jù)的時間范圍為2012年2月1日至2012年2月7日。數(shù)據(jù)的采樣周期為2 min。

本文采用歷史平均值法自動填充丟失的數(shù)據(jù)，并且對數(shù)據(jù)進行歸一化處理，計算公式如下：

式中：xij歸一化后的第i時刻第j道路的交通流速度，i=1，2，…，N，j=1，2，…，M; Xij為第i時刻第j路的交通流速度；min Xij為所有時刻所有道路交通流速度的最小值；max Xij為所有時刻所有道路交通流速度的最大值。

5.2 交通流預(yù)測方法的性能評價指標(biāo)

本文使用的評價指標(biāo)為平均絕對誤差（ meanabsolute error，MAE）、平均絕對百分比誤差（meanabsolute percentage error，MAPE）、均方根誤差（rootmean square error，RMSE）、對稱平均絕對百分比誤差（ symmetric mean absolute percentage error，SMAPE），分別用XMAE，XMAPE，XRMSE，XSMAPE表示，計算公式如下：式中：NM為測試集數(shù)據(jù)量；Yij為第i時刻第j道路交通流速度的真實值；y；i為第f時刻第j道路交通流速度的預(yù)測值。

5.3 實驗結(jié)果與分析

本文實驗中歷史窗口p= 12，時序模型采用RMSporp優(yōu)化器，自動保存最優(yōu)模型。

5.3.1深度學(xué)習(xí)模型引入數(shù)據(jù)編解碼機制前后性能的比較

為說明深度學(xué)習(xí)模型引入編解碼機制后模型的性能會提升，在不同路網(wǎng)上分別對多種時序模型引入數(shù)據(jù)編解碼機制。時序模型名稱前的ED代表該模型引入了編解碼的時空交通流預(yù)測方法。表3和表4分別為路網(wǎng)1和路網(wǎng)2中深度學(xué)習(xí)模型引入編解碼機制后的實驗結(jié)果對比。

結(jié)果表明，引人數(shù)據(jù)編解碼后，時序模型RNN．LSTM和GRU中，中心路段的交通流預(yù)測效果比引入前更好，并且在路網(wǎng)1和2中ED-RNN的表現(xiàn)效果最佳；路網(wǎng)1為上海市中心城區(qū)的路網(wǎng)結(jié)構(gòu)，與不引人數(shù)據(jù)編解碼的時序模型相比，路網(wǎng)1的MAE降低了17.75%，MAPE降低了16.21%，RMSE降低了16.69%，SMAPE降低了19.63%。路網(wǎng)2為與路網(wǎng)1不同的中心城區(qū)的路網(wǎng)結(jié)構(gòu)，路網(wǎng)2的MAE減少了14.42%，MAPE減少了10.87%．RMSE減少了10.12%，SMAPE減少了14.54%。在多個時間序列預(yù)測模型中引人數(shù)據(jù)編解碼機制，結(jié)果顯示，引人數(shù)據(jù)編解碼后模型的性能均會有所提升。

5.3.2引入編解碼機制的深度學(xué)習(xí)模型與基線模型的性能比較

為說明引入編解碼機制的深度學(xué)習(xí)模型比基線模型的交通流預(yù)測結(jié)果更能體現(xiàn)真實的交通狀況，分別在路網(wǎng)1和路網(wǎng)2中比較ED-RNN與基線模型的交通流預(yù)測。目前，主流的交通流預(yù)測方法多為時空結(jié)合的交通流預(yù)測方法，這些方法需要擁有充足的路網(wǎng)拓撲信息。雖然模型可達到不錯的預(yù)測效果，但模型復(fù)雜不易實現(xiàn)，且算法的時間復(fù)雜度和空間復(fù)雜度都很高。而本文方法具有模型簡單、算法易于實現(xiàn)等優(yōu)點，所以本文的基線模型選取傳統(tǒng)的交通流預(yù)測模型HA與ARIMA。選取2012年2月1日18：30到2012年2月1日19：28路網(wǎng)l和路網(wǎng)2的中心路段進行模型交通流預(yù)測結(jié)果對比，如圖7和圖8所示。結(jié)果顯示，相較于基線模型，RNN在引人數(shù)據(jù)編解碼后的交通流預(yù)測結(jié)果更趨近真實速度曲線。

通過MAE，MAPE，RMSE和SMAPE 4種評價指標(biāo)對模型性能進行比較，以及根據(jù)預(yù)測結(jié)果分析表明，路網(wǎng)拓撲信息不充足的情況下，在深度學(xué)習(xí)模型上引入編解碼機制可以有效地提高交通流預(yù)測的準(zhǔn)確性。

6 結(jié)束語

基于數(shù)據(jù)編解碼的時空交通流預(yù)測方法對路網(wǎng)數(shù)據(jù)進行編碼提取空間特征，再利用時序模型提取路網(wǎng)時間特征，最終解碼得到路網(wǎng)的交通流預(yù)測。通過將數(shù)據(jù)進行編解碼與時序模型的結(jié)合，可以同時提取時空特征，獲得更高的準(zhǔn)確度。將數(shù)據(jù)編解碼的時空交通流預(yù)測方法在不同路網(wǎng)上進行測試，并與傳統(tǒng)方法進行對比，實驗結(jié)果表明，在無法提取充足的路網(wǎng)信息時，通過在時序模型上引入數(shù)據(jù)編解碼方法可得到不錯的預(yù)測效果。相比于目前已有的交通流預(yù)測方法，本文方法所訓(xùn)練的模型更簡單和高效。在未來的研究工作中，為了使模型預(yù)測準(zhǔn)確度提高，還需要考慮多重外部因素影響，比如節(jié)假日、溫濕度以及降雨、雪量等。

參考文獻：

[1] WU Z H，PAN S R，CHEN F W. et al.A comprehensivesurvey on graph neural networks[J]. IEEE Transactions onNeural Networks and Learning Systems， 2021， 32（1）： 4-24.

[2] WILLIAMS B M，HOEL L A.Modeling and forecastingvehicular traffic flow as a seasonal ARIMA process：theoretical basis and empirical results[J]. Journal ofTransportation Engineering， 2003， 129（6）： 664-672.

[3] DUAN H M. XIAO X P. A multimode dynamic short-termtraffic flow grey prediction model of high-dimensiontensors[J]. Complexity， 2019， 2019： 9162163.

[4]CAI L R， ZHANG Z C， YANG J J， et al. A noise-immuneKalman filter for short-term traffic flow forecasting[J].Physica A： Statistical Mechanics and its Applications. 2019，536： 122601.

[5] WU C H. HO J M， LEE D T. Travel-time prediction withsupport vector regression[J]. IEEE Transactions onIntelligent Transportation Systems， 2004， 5（4） ： 276-2 8 1 .

[6]張曉利，賀國光，陸化普，基于K-鄰域非參數(shù)回歸短時交通流預(yù)測方法 [J].系統(tǒng)工程學(xué)報， 2009， 24（2）： 178-183.

[7] WESTGATE B S， WOODARD D B. MATTESON D S， etal. Travel time estimation for ambulances using Bayesiandata augmentation[J]. The Annals of Applied Statistics，2013， 7（2）： 1139-1161.

[8] YIN H B， WONG S C， XU J M. et al. Urban traffic flowprediction using a fuzzy-neural approach[J] . TransportationResearch Part C：Emerging Technologies， 2002， 10（2）：85-98.

[9] HUANG W H， SONG G J. HONG H K， et al. Deeparchitecture for traffic flow prediction： deep beliefnetworks with multitask learning[J]. IEEE Transactions onIntelligent Transportation Systems， 2014， 15（5）：2191-2201.

[10] FU R， ZHANG Z， Ll L. Using LSTM and GRU neuralnetwork methods for traffic flow prediction[C]//Proceedings of the 2016 3lst Youth Academic AnnualConference of Chinese Association of Automation. Wuhan：IEEE. 2016; 324-328.

[11]劉昶．基于時間序列的經(jīng)典模型和LSTM模型的城市宏觀行程速度預(yù)測研究[D]．北京：北京交通大學(xué)，2019.

[12]趙建東，申瑾，劉麟瑋．多源數(shù)據(jù)驅(qū)動CNN-GRU模型的公交客流量分類預(yù)測[J].交通運輸工程學(xué)報，2021.21（5）： 265-273.

[13] VLAHOGIANNI E I，GOLIAS J C，KARLAFTIS M G.Short-term traffic forecastmg： overview of objectives andmethods[J]. Transport Reviews， 2004， 24（5）： 533-557.

[14] VAN LINT H，VAN HINSBERGEN C.Short-term trafficand travel time prediction models[M]//TransportationResearch Board of the National Academies. TransportationResearch Circular E-C168：Artificial IntelligenceApplications to Critical Transportation lssues. Washington：Transportation Research Board of the National Academies.2012. 22： 22-41.

[15] ZHAO L SONG Y J，ZHANG C，et al.T-GCN：a temporalgraph convolutional network for traffic prediction[J]. lEEETransactions on Intelligent Transportation Systems， 2020.21（9）： 3848-3858.

[16] ZHANG S，CHEN Y，ZHANG W Y.Spatiotemporalfuzzy-graph convolutional network model with dynamicfeature encoding for traffic forecasting[J]. Knowledge-Based Svstems， 2021. 231： 107403.

[17] YU J J Q.Citywide traffic speed prediction：a geometncdeep leaming approach[J]. Knowledge-Based Systems.2021. 212： 106592.

[18] XIAO J L WANG Z H.Traffic speed cloud maps：a newmethod for analyzing macroscopic traffic flow[J]. PhysicaA：Statistical Mechanics and its Applications， 2018， 508：367-375.

（編輯：丁紅藝）