基于動(dòng)態(tài)圖自注意力的車流參數(shù)預(yù)測(cè)方法

摘 要：為了提高異常事件常發(fā)地段中智能車輛行駛的效率和安全性，以提升車流參數(shù)預(yù)測(cè)的準(zhǔn)確度為出發(fā)點(diǎn)，該文設(shè)計(jì)了一種基于動(dòng)態(tài)節(jié)點(diǎn)自注意力的車流參數(shù)預(yù)測(cè)方法， 在多個(gè)時(shí)間步中利用空間注意力聚合鄰域節(jié)點(diǎn)的特征，沿著時(shí)間維度通過時(shí)間注意力機(jī)制預(yù)測(cè)交通參數(shù)。結(jié)果表明：該文設(shè)計(jì)的動(dòng)態(tài)圖自注意力（DGSA）模型的1 h預(yù)測(cè)結(jié)果平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和平均絕對(duì)百分誤差（MAPE）指標(biāo)分別下降了3.75%、3.45%、11.63%；測(cè)算的路段平均碰撞時(shí)間（TTC）更長(zhǎng)，達(dá)到2.8 s。該方法能夠在異常事件情況下有效預(yù)測(cè)車流演化態(tài)勢(shì)并提升車輛的安全性。

關(guān)鍵詞：智能車輛；車流參數(shù)預(yù)測(cè)；異常事件；動(dòng)態(tài)圖；深度學(xué)習(xí)

Traffic flow parameter prediction method based on dynamic graphs self-attention

Abstract： In order to improve the driving efficiency and safety of intelligent vehicles in the areas with frequent abnormal events， a traffic flow parameter prediction method was designed based on dynamic node self-attention to improve the accuracy of traffic flow parameter prediction. The spatial attention was used to aggregate the features of neighborhood nodes in multiple time steps， and then the traffic parameters were predicted by the temporal attention mechanism along the time dimension. The results show that the Mean absolute error （MAE）， root mean square error （RMSE） and mean absolute percentage error （MAPE） of the one-hour prediction of Dynamic Picture Self-Attention （DGSA） model decrease by 3.75%， 3.45% and 11.63%， respectively. The simulated road average collision time （TTC） is longer， reaching 2.8 s. The proposed method can effectively predict the evolution trend of traffic flow and improve the safety of vehicles under abnormal events.

Key words： intelligent vehicles; traffic flow parameter prediction; abnormal events; dynamic graphs; deep learning

隨著國(guó)民經(jīng)濟(jì)的飛速發(fā)展，汽車保有量不斷增長(zhǎng)，給交通帶來了較重的負(fù)荷，嚴(yán)重妨礙了人們的出行效率和生活品質(zhì)。在此背景下，車路云一體化技術(shù)的應(yīng)用逐漸成為緩解交通壓力的新方向 ^[1]。通過整合車輛、道路和云端信息，提升車輛行駛的安全性和運(yùn)行效率^[2]，而準(zhǔn)確的車流參數(shù)預(yù)測(cè)在這個(gè)過程中起著至關(guān)重要的作用。它能夠輔助交通管理機(jī)構(gòu)進(jìn)行有效的交通調(diào)度和規(guī)劃^[3]，同時(shí)幫助個(gè)體車輛在復(fù)雜路況下做出更為明智的出行決策，例如路線規(guī)劃及出行時(shí)間的建議、預(yù)警系統(tǒng)以及停車位的動(dòng)態(tài)信息。所有這些服務(wù)的核心，都依賴于對(duì)交通流動(dòng)態(tài)的準(zhǔn)確把握和預(yù)測(cè)，因此，車流參數(shù)預(yù)測(cè)受到廣泛關(guān)注。

對(duì)于車流運(yùn)行參數(shù)預(yù)測(cè)，國(guó)內(nèi)外的研究主要提出了交通流建模法和數(shù)據(jù)驅(qū)動(dòng)法。交通流建模法是在數(shù)學(xué)模型的基礎(chǔ)上進(jìn)行仿真分析，可以對(duì)車流展開詳細(xì)的敏感性影響研究。如耿彥斌 ^[4] 建立了應(yīng)急交通需求時(shí)空分布預(yù)測(cè)模型，提出了一套可行的應(yīng)急交通疏散動(dòng)態(tài)分析方法。秦嚴(yán)嚴(yán)等 ^[5] 研究了在智能網(wǎng)聯(lián)環(huán)境下混合有協(xié)同自適應(yīng)巡航控制（cooperative adaptive cruise control，CACC） 車輛的交通流 LWR（Lighthill- Whitham-Richards） 模型，提供了理論工具用于分析混合交通流的宏觀動(dòng)力學(xué)特性，并通過數(shù)值仿真試驗(yàn)驗(yàn)證了模型的準(zhǔn)確性。梁海軍等 ^[6] 構(gòu)建了基于元胞傳輸模型（cell transmission model，CTM） 的宏觀交通流模型，利用該模型揭示了終端區(qū)交通流的時(shí)空演變規(guī)律和擁堵機(jī)理，通過仿真平臺(tái)驗(yàn)證了模型的準(zhǔn)確性，并進(jìn)行了敏感性分析。此類方法主要基于傳統(tǒng)的交通流相關(guān)理論，采用計(jì)算機(jī)模擬的方法，呈現(xiàn)單條路段或交通流匯合處的排隊(duì)激波等微觀的擁堵形成及消散現(xiàn)象，但因約束條件多，通常無法在復(fù)雜路網(wǎng)中對(duì)交通擁堵和消散情況進(jìn)行準(zhǔn)確建模，導(dǎo)致泛化性能較差 ^[7]。因此，一些學(xué)者提出了基于時(shí)空數(shù)據(jù)驅(qū)動(dòng)的車流擁堵與消散的傳播態(tài)勢(shì)研究方法。

數(shù)據(jù)驅(qū)動(dòng)法可以從歷史數(shù)據(jù)中識(shí)別經(jīng)常出現(xiàn)的擁堵傳播模式，主要包含基于傳統(tǒng)算法的預(yù)測(cè)模型和基于智能算法的預(yù)測(cè)模型。其中，傳統(tǒng)算法通過統(tǒng)計(jì)交通歷史數(shù)據(jù)的規(guī)律預(yù)測(cè)未來的變化趨勢(shì)，自回歸差分移動(dòng)平均模型 （autoregressive integrated moving average model，ARIMA） 及其變體 ^{[8] 的建模方法是其典型代表，但是，此類方法主要應(yīng)用于線性的數(shù)學(xué)模型，不能有效地學(xué)習(xí)時(shí)空數(shù)據(jù)中的非線性特征。智能算法中主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，其中 K 最鄰}近 （K-nearest neighbor，KNN） [^9]、支持向量機(jī) （suport vector machine，SVM） [^{10] 等機(jī)器學(xué)習(xí)方法可以處理非線性問題，然而，這些方法只從時(shí)間域上構(gòu)建數(shù)學(xué)模型， 沒有將路網(wǎng)結(jié)構(gòu)中天然存在的空間關(guān)系聯(lián)系起來。近年來，深度學(xué)習(xí)在預(yù)測(cè)任務(wù)中能夠自動(dòng)提取有效特征，處理大樣本和高維數(shù)據(jù)，并實(shí)現(xiàn)高精度的預(yù)測(cè)。如 ZHAO Zheng 等 [11] 提出了基于長(zhǎng)短時(shí)記憶 （long short-term memory，LSTM） 網(wǎng)絡(luò)的交通預(yù)測(cè)模型，可以兼顧短時(shí)和長(zhǎng)時(shí)跨度的時(shí)間序列數(shù)據(jù)的特征，達(dá)到更好的預(yù)測(cè)效果。王體迎等 [12] 提出了利用門控循環(huán)單元 （gate recurrent unit，GRU） 進(jìn)行短時(shí)交通流量預(yù)測(cè)的方法，通過數(shù)據(jù)間的”序列信息”建模，以提高交通流量預(yù)測(cè)的準(zhǔn)確度。YU Bing 等 [3] 提出了時(shí)空?qǐng)D卷積網(wǎng)絡(luò) （spatial-temporal graph convolutional networks，ST-GCN） 解決交通流參數(shù)預(yù)測(cè)問題， 利用多尺度網(wǎng)絡(luò)模型能夠有效捕捉到區(qū)域間的時(shí)空相關(guān)性。WU Zonghan 等 [13] 提出了新型圖神經(jīng)網(wǎng)絡(luò)架構(gòu) Graph WaveNet，用于時(shí)空?qǐng)D建模，通過自適應(yīng)依賴矩陣和堆疊的擴(kuò)張一維卷積組件，能夠準(zhǔn)確捕獲數(shù)據(jù)中的空間依賴關(guān)系，并處理非常長(zhǎng)的序列。此外，一些學(xué)者為了在車流運(yùn)行參數(shù)預(yù)測(cè)問題上對(duì)不規(guī)則路網(wǎng)上的非歐幾里得相關(guān)性進(jìn)行建模，將圖卷積網(wǎng)絡(luò) （graph convolution networks，GCNs） 與遞歸神經(jīng)網(wǎng)絡(luò) （recursive neural networks，RNNs） [14]}、卷積神經(jīng)網(wǎng)絡(luò) （convolutional neural networks，CNNs） [^{3] 和注意力機(jī)制 [15-17] 相結(jié)合，}在城市路網(wǎng)中取得了比較好的效果。

盡管最新的研究已經(jīng)在車流狀況預(yù)測(cè)鄰域取得了令人滿意的結(jié)果，但少有研究關(guān)注異常情況下的車流變化情況。如進(jìn)藏通道區(qū)域異常事件頻發(fā)，此類事件對(duì)車流參數(shù)的影響通常表現(xiàn)為擁堵，這種擁堵在時(shí)間和空間領(lǐng)域往往嚴(yán)重偏離正常情況。以車流量參數(shù)為例，在發(fā)生異常事件后，短時(shí)間內(nèi)通過某斷面的車流量會(huì)驟減，經(jīng)過一段時(shí)間的疏解調(diào)度后漸漸恢復(fù)正常范圍內(nèi)的波動(dòng)。然而，大多數(shù)現(xiàn)有方法沒有明確區(qū)分?jǐn)?shù)據(jù)的正常和異常情況，從而導(dǎo)致在異常場(chǎng)景下的性能下降。此外，現(xiàn)有方法中節(jié)點(diǎn)多設(shè)置在傳感器布設(shè)位置，這些位置通常選在觀測(cè)條件良好的路段，無法細(xì)粒度地捕捉到異常事件給車流參數(shù)帶來的時(shí)空影響。因此，如何在異常情況下對(duì)車流狀況預(yù)測(cè)依然是一項(xiàng)重要而富有挑戰(zhàn)性的任務(wù)。

本文針對(duì)異常事件的突發(fā)性，在事故點(diǎn)引入動(dòng)態(tài)節(jié)點(diǎn)，設(shè)計(jì)了基于動(dòng)態(tài)圖算法的時(shí)空自注意力方法，在多個(gè)時(shí)間快照中提取鄰域節(jié)點(diǎn)的特征，再通過時(shí)間自注意力模塊推演未來的變化趨勢(shì)，能夠有效分析異常條件下的車流數(shù)據(jù)分布情況。

1"" 車流參數(shù)預(yù)測(cè)問題描述

交通流預(yù)測(cè)問題可以將非歐式空間的路網(wǎng)數(shù)據(jù)抽象為一個(gè)圖數(shù)據(jù)，道路上的關(guān)鍵位置看成節(jié)點(diǎn)，根據(jù)節(jié)點(diǎn)之間路段的連通關(guān)系構(gòu)建邊信息，如圖1 所示，交通路網(wǎng)的車流參數(shù)變化就可以看成時(shí)空序列下的圖數(shù)據(jù)演變。其中，t_p、t_{p+ ω}、t_{p-τ +1} 分別為當(dāng)前時(shí)刻、未來 ω個(gè)時(shí)間步的時(shí)刻、過去 τ - 1 個(gè)時(shí)間步的時(shí)刻。

1.1"" 交通流預(yù)測(cè)

1.2"" 動(dòng)態(tài)圖建模

動(dòng)態(tài)圖指的是圖的拓?fù)浣Y(jié)構(gòu)、節(jié)點(diǎn)或邊的屬性會(huì)隨著時(shí)間的推移而發(fā)生變化，這意味著圖中的節(jié)點(diǎn)和邊會(huì)發(fā)生增減或特征變化。動(dòng)態(tài)圖主要分為以快照為代表的離散時(shí)間動(dòng)態(tài)圖（discrete time dynamic graph，DTDG）和以事件為代表的連續(xù)時(shí)間動(dòng)態(tài)圖（continuous time dynamic graph，CTDG） [^18]。此外，根據(jù)動(dòng)態(tài)圖中節(jié)點(diǎn)集和邊集是否具有不變性可以將其分為4種情況：1） 節(jié)點(diǎn)集V和邊集E都是不變的，記為?x_V，E，這種情況稱為時(shí)空?qǐng)D（spatial-temporal graphs，STGs）；2） 節(jié)點(diǎn)集V不變，但邊集E是變化的，記為fix_V；3） 節(jié)點(diǎn)集V和邊集E都是變化的，記為Vary；4） 邊的集合E是不變的，但是節(jié)點(diǎn)的集合V是變化的。由于邊是基于一對(duì)節(jié)點(diǎn)存在的，所以這種情況是沒有意義的。

大多數(shù)針對(duì)城市路網(wǎng)的車流參數(shù)預(yù)測(cè)問題可以看成動(dòng)態(tài)圖中較簡(jiǎn)單的離散時(shí)空?qǐng)D，即 V 和 E 不變，但節(jié)點(diǎn)的特征 （ 如流量、平均車速等 ） 會(huì)隨著時(shí)間變化，此類問題多聚焦于城市中的常發(fā)性交通擁堵情況 （ 如早晚高峰時(shí)的車輛擁堵 ）。然而，在觀測(cè)條件不佳的區(qū)域，由于受到傳感器布設(shè)情況的限制，無法及時(shí)地感知偶發(fā)性擁堵情況，突發(fā)的異常事件發(fā)生地帶通常伴隨著信息的缺失、不準(zhǔn)確等問題，因而無法及時(shí)得到正確的車流參數(shù)數(shù)據(jù)，導(dǎo)致了人員和車輛的滯留，疏解調(diào)度也存在一定的難度。

針對(duì)上述問題，可以在異常事件發(fā)生期間加入動(dòng)態(tài)節(jié)點(diǎn)，這樣能夠細(xì)粒度地捕捉車流參數(shù)的變化趨勢(shì)，這些動(dòng)態(tài)節(jié)點(diǎn)能夠通過無人機(jī)設(shè)備動(dòng)態(tài)采集數(shù)據(jù)或經(jīng)過相關(guān)的節(jié)點(diǎn)推演預(yù)測(cè)方法獲得。本文將關(guān)注事件發(fā)生后的車流參數(shù)時(shí)空變化情況，即以動(dòng)態(tài)圖的拓?fù)浣Y(jié)構(gòu)變化為基礎(chǔ)，對(duì)時(shí)空范圍內(nèi)的影響進(jìn)行分析，故可將此類問題看成如圖 2 所示的節(jié)點(diǎn)集 V 和邊集 E 均變化的 Vary 類動(dòng)態(tài)圖情況。

此類動(dòng)態(tài)圖定義為一組在時(shí)間步 T 下的快照，如式（2） 所示：

其中：G = （V， E ， A ）是一組快照數(shù)據(jù)；V 表示共有節(jié)點(diǎn)集；E_t表示t 時(shí)刻下的邊集；A_t表示t 時(shí)刻下的鄰接矩陣。

2"" 基于動(dòng)態(tài)圖自注意力的預(yù)測(cè)方法

本文采用了動(dòng)態(tài)圖表示學(xué)習(xí)的時(shí)空自注意力方法，如圖3所示，整個(gè)模型主要由空間注意力、時(shí)間注意力、圖節(jié)點(diǎn)預(yù)測(cè)3個(gè)部分組成。該模型以某個(gè)t時(shí)刻的前τ個(gè)時(shí)間步的快照作為輸入，輸出為下一個(gè)時(shí)間步的節(jié)點(diǎn)預(yù)測(cè)流量值。空間注意力模塊由多個(gè)堆疊的空間自注意力層組成，在不同快照上獨(dú)立應(yīng)用每一層，提取出節(jié)點(diǎn)的高階局部鄰域特征，計(jì)算中間節(jié)點(diǎn)，表示為

2.1"" 空間注意力模塊

為了在不同的快照中有效計(jì)算周圍節(jié)點(diǎn)的空間影響情況，本文基于圖注意力神經(jīng)網(wǎng)絡(luò) （graph attention networks，GAT） [^{20] 的思路，設(shè)計(jì)了空間注意力模塊。}在傳統(tǒng)圖神經(jīng)網(wǎng)絡(luò)模型中融入圖注意力機(jī)制，能夠依據(jù)節(jié)點(diǎn)與其周圍鄰居的相似度動(dòng)態(tài)分配注意力分?jǐn)?shù)，從而增加空間結(jié)構(gòu)上的影響力。

上述計(jì)算過程如圖4所示，其中的系數(shù)α_uv是先通過 LeakyRELU非線性激活函數(shù)，再對(duì)v中每個(gè)鄰居節(jié)點(diǎn)進(jìn)行softmax計(jì)算得到的，體現(xiàn)了節(jié)點(diǎn)u在當(dāng)前快照中對(duì)節(jié)點(diǎn)v的貢獻(xiàn)，最后利用指數(shù)線性單元（exponential linear units，ELU）激活輸出節(jié)點(diǎn)表示。

因此，應(yīng)用在快照 G_i 上的結(jié)構(gòu)注意力層能夠根據(jù)鄰域節(jié)點(diǎn)的相似性計(jì)算相應(yīng)的權(quán)重系數(shù)，有效提取非歐式空間中的相關(guān)特征。

2.2"" 時(shí)間注意力模塊

本文設(shè)計(jì)的時(shí)間注意力模塊能夠在多個(gè)時(shí)間步下捕捉圖類數(shù)據(jù)結(jié)構(gòu)的時(shí)序信息演化情況。與處理時(shí)序數(shù)據(jù)的傳統(tǒng)方法不同，深度學(xué)習(xí)中的注意力機(jī)制 ^{[21] 能夠?qū)W習(xí)到復(fù)雜時(shí)間序列的特征。其實(shí)質(zhì)是加權(quán)求和，通過評(píng)分函數(shù)計(jì)算查詢（Query） 和鍵 （Key） 之間的注意力分?jǐn)?shù)，然后利用softmax 函數(shù)計(jì)算注意力權(quán)重，將權(quán)重與值進(jìn)行加權(quán)求和以求得注意力輸出。通過為不同的鍵分配不同的權(quán)重，實(shí)現(xiàn)了對(duì)值 （Value） 的選擇偏好，從而有效地整合上下文信息，有助于神經(jīng)網(wǎng)絡(luò)的特征提取。}

因此，當(dāng) M_ij = ?∞ 時(shí)，再經(jīng)過 softmax 計(jì)算后會(huì)讓注意力權(quán)重變?yōu)?0。

時(shí)序注意力完全依賴于每個(gè)節(jié)點(diǎn)的時(shí)序歷史，從而促進(jìn)了節(jié)點(diǎn)間的高效并行，將每個(gè)節(jié)點(diǎn)的局部鄰域和時(shí)序歷史解耦成獨(dú)立的層是提高模型效率的關(guān)鍵因素之一。

2.3"" 多頭自注意力

采用多頭注意力的機(jī)制，可以對(duì)節(jié)點(diǎn)的表示使用多個(gè)通道疊加，在空間和時(shí)間自注意層中分別使用多個(gè)注意頭，將其拼接后能夠有效提高計(jì)算結(jié)果的可靠性。空間多頭自注意力應(yīng)用于單個(gè)快照上，具體計(jì)算如式 （10） 所示：

時(shí)間多頭自注意力與空間多頭注意力不同，是在多個(gè)時(shí)間步中進(jìn)行，其計(jì)算方式如 （11） 式：

實(shí)驗(yàn)結(jié)果與討論

本文實(shí)驗(yàn)主要從兩方面展開：一方面利用交通流數(shù)據(jù)集驗(yàn)證預(yù)測(cè)方法的準(zhǔn)確性；另一方面搭建了相似的仿真場(chǎng)景，在異常事件常發(fā)區(qū)域利用車流參數(shù)的預(yù)測(cè)結(jié)果為車輛分配車流參數(shù)，驗(yàn)證車輛安全性能的提升。

數(shù)據(jù)集

本文選取交通速度數(shù)據(jù)集PeMS-bay作為實(shí)驗(yàn)數(shù)據(jù)，PeMS-bay是由加州交通運(yùn)輸機(jī)構(gòu)（CalTrans）性能測(cè)量系統(tǒng)（PeMS）采集的公共交通速度數(shù)據(jù)集，因此，本文以平均車速為例說明異常事件下的預(yù)測(cè)方法，其他車流參數(shù)（如流量、占有率等）也可以按照相似的處理得到預(yù)測(cè)結(jié)果。圖5展示了數(shù)據(jù)集中傳感器的分布情況，共有 325個(gè)斷面?zhèn)鞲衅鳎摂?shù)據(jù)集在時(shí)間上包含了2017年1月

1日—2017年5月31日內(nèi)采集到的長(zhǎng)達(dá)6個(gè)月的車流數(shù)據(jù)，以5 min為周期，記錄1次平均車速信息，共有 52 116 個(gè)時(shí)間步，該數(shù)據(jù)集還包含了異常事件的信息，事件數(shù)據(jù)主要包括事件ID、時(shí)間戳、緯度、經(jīng)度、嚴(yán)重級(jí)別（分為4個(gè)級(jí)別）和持續(xù)時(shí)間（結(jié)束時(shí)間減去開始時(shí)間），事件類型主要包括交通事故、道路封鎖、天氣等。

此外，LI Yaguang 等^{[14] 已經(jīng)針對(duì)交通數(shù)據(jù)進(jìn)行了預(yù)處理，將發(fā)生的交通事件與最近的傳感器做了對(duì)應(yīng)。本文將數(shù)據(jù)集中有異常事件標(biāo)志的節(jié)點(diǎn)按照第 2 節(jié)中的}預(yù)測(cè)方法作為動(dòng)態(tài)節(jié)點(diǎn)引入，只在發(fā)生交通事件的時(shí)間段添加相應(yīng)的節(jié)點(diǎn)，模擬未設(shè)置固定傳感器位置發(fā)生事件時(shí)的場(chǎng)景。然而，在其他基線模型中，不考慮異常事件的突發(fā)性 （ 即不包含動(dòng)態(tài)節(jié)點(diǎn) ），只將固定節(jié)點(diǎn)作為圖節(jié)點(diǎn)輸入。

3.2" 實(shí)驗(yàn)設(shè)置

本文將動(dòng)態(tài)圖自注意力（dynamic picture self- attention，DGSA）模型與一些針對(duì)車流參數(shù)數(shù)據(jù)預(yù)測(cè)的方法進(jìn)行了比較。基線模型有：1） 自回歸差分移動(dòng)平均模型（ARIMA） ^[8]；2） 長(zhǎng)短期記憶（LSTM） [^22]；3） 門控循環(huán)單元（GRU） [^23]；4） 時(shí)空?qǐng)D卷積網(wǎng)絡(luò)（ST-GCN） [^3]；5） 圖WaveNet模型（WaveNet） [¹³]。

實(shí)驗(yàn)設(shè)置參數(shù)如下：輸入數(shù)據(jù)的長(zhǎng)度為 12，預(yù)測(cè)未來 12 個(gè)時(shí)間步 （60 min） 的車流參數(shù)，學(xué)習(xí)率為 0.001，權(quán)重超參數(shù) λ 為 0.7，前 36 481 個(gè)時(shí)間步為訓(xùn)練集，后 15 635 個(gè)時(shí)間步為測(cè)試集。本文采用了交通流預(yù)測(cè)鄰域中常用MAE [^24]、RMSE [^25]、MAPE [^{26] 3 種評(píng)價(jià)指標(biāo)來衡量不同方法的預(yù)測(cè)性能，其計(jì)算式分別如式 （12）—}式（14） 所示：

3.3"" 結(jié)果分析

如表1所示，比較DGSA模型和5種基線模型預(yù)測(cè)未來15 min（3個(gè)時(shí)間步）、30 min（6個(gè)時(shí)間步）、60 min（12個(gè)時(shí)間步）的平均車速結(jié)果，此外，如圖6所示，比較了不同方法在PeMS-bay數(shù)據(jù)集上MAE、RMSE、MAPE的指標(biāo)性能。實(shí)驗(yàn)結(jié)果表明，DGSA模型在上述的各項(xiàng)指標(biāo)上優(yōu)于基線模型。

從上述結(jié)果可知：1） 深度學(xué)習(xí)的相關(guān)算法（ 如 LSTM、GRU、ST-GCN、WaveNet）明顯優(yōu)于傳統(tǒng)的時(shí)間序列模型，例如1 h預(yù)測(cè)實(shí)驗(yàn)中，WaveNet比LSTM在 MAE、RMSE、MAPE指標(biāo)上下降了4.17%、11.89%、 15.54%，說明深度學(xué)習(xí)的算法能夠更有效地捕捉到交通信息上的非線性相關(guān)性；2） 時(shí)序模型（如LSTM、GRU）只關(guān)注到非線性時(shí)間依賴關(guān)系，未加入空間影響情況，導(dǎo)致性能提升比較有限；3） 基于圖的模型（如ST-GCN、 WaveNet）總體上優(yōu)于時(shí)序模型，如1 h預(yù)測(cè)實(shí)驗(yàn)中，ST- GCN模型比GRU在MAE、RMSE、MAPE指標(biāo)上下降了 3.38%、9.23%、12.40%，這表明在空間上建模非歐幾里距離的相關(guān)性可以學(xué)習(xí)到相鄰傳感器之間數(shù)據(jù)的相似性。其中，ST-GCN忽略了實(shí)際情況下的復(fù)雜動(dòng)力學(xué)，只能學(xué)習(xí)到靜態(tài)圖上的特征，而WaveNet雖然設(shè)計(jì)了自適應(yīng)鄰接矩陣來學(xué)習(xí)動(dòng)態(tài)空間相關(guān)性，但是仍然只用一個(gè)鄰接矩陣來表征關(guān)系。

然而，上述方法與 DGSA 模型相比，由于缺乏考慮異常事件對(duì)車流參數(shù)數(shù)據(jù)的影響，預(yù)測(cè)性能不足。

DGSA 模型能夠針對(duì)偶然發(fā)生的交通擁堵節(jié)點(diǎn)，引入動(dòng)態(tài)圖的處理方法，更接近異常事件下的數(shù)據(jù)結(jié)果。在引入異常事件后的 PeMS-bay 數(shù)據(jù)集上進(jìn)行 1 h 預(yù)測(cè)，DGSA 模型較 WaveNet 模型在 MAE、RMSE 和MAPE 指標(biāo)上分別下降了3.75%、3.45%、11.63%。

3.4"" 仿真驗(yàn)證

本文在 SUMO 仿真軟件中模擬了數(shù)據(jù)集中的部分場(chǎng)景（ 如圖 7 所示），選取了異常事件常發(fā)地段附近的一段長(zhǎng)直通道，依照 PeMS-bay 的傳感器布設(shè)位置和路段等參數(shù)構(gòu)建仿真路段，其車流量如圖 8 所示，在發(fā)生異常事件后道路會(huì)發(fā)生擁堵，經(jīng)過一段時(shí)間的交通疏解后會(huì)慢慢恢復(fù)正常。實(shí)驗(yàn)假定真實(shí)數(shù)據(jù)集的車速是最合適且符合安全的，因此，在該路段上可以選擇歷史數(shù)據(jù)中的擁堵時(shí)段，利用數(shù)據(jù)集中的車流參數(shù)給仿真路段分配流量數(shù)據(jù)，然后根據(jù)模型中預(yù)測(cè)的平均車速提前調(diào)整車輛的車速，讓車輛按照預(yù)測(cè)值通過節(jié)點(diǎn)。此過程是將預(yù)測(cè)結(jié)果在車端做應(yīng)用驗(yàn)證的環(huán)節(jié)，一方面可以反映出在異常事件下模型捕捉參數(shù)突變的效果，另一方面，通過對(duì)車速的有效預(yù)測(cè)，能夠?yàn)樾旭傑囕v提供駕駛決策依據(jù)，有助于提高行駛的安全性。因此，本文在仿真軟件中以路段上所有車輛的平均碰撞時(shí)間 （time to collision，TTC） 作為安全性的評(píng)價(jià)指標(biāo)，單車的 TTC 計(jì)算如式 （15） 所示：

其中：d 為當(dāng)前車輛與前車的距離，v_rel 為當(dāng)前車速。

實(shí)驗(yàn)結(jié)果如表 2 所示，與其他基線模型相比，車輛根據(jù) DGSA 模型預(yù)測(cè)車速行駛情況下路段測(cè)算的 TTC 時(shí)間更長(zhǎng)，說明本模型能夠在異常情況下更準(zhǔn)確地捕捉車速變化趨勢(shì)，提高車輛行駛的安全性，優(yōu)化服務(wù)質(zhì)量。

4"" 結(jié)""" 論

本文提出了一種用于車流參數(shù)預(yù)測(cè)的動(dòng)態(tài)圖注意力時(shí)空網(wǎng)絡(luò)方法，引入動(dòng)態(tài)節(jié)點(diǎn)增強(qiáng)了對(duì)異常事件區(qū)域的特征提取，并在公開數(shù)據(jù)集 PeMS-bay 和SUMO 仿真平臺(tái)上證明了算法的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明：動(dòng)態(tài)圖自注意力 （DGSA） 模型的 1 h 預(yù)測(cè)效果較次優(yōu)模型在平均絕對(duì)誤差 （MAE）、均方根誤差 （RMSE） 和平均絕對(duì)百分誤差 （MAPE） 指標(biāo)分別下降了3.75%、3.45%、 11.63%；在仿真場(chǎng)景中，車輛以動(dòng)態(tài)圖自注意力 （DGSA）模型預(yù)測(cè)車速行駛，測(cè)算的路段平均碰撞時(shí)間（TTC）更長(zhǎng)，達(dá)到 2.8 s。該方法能夠在復(fù)雜的交通路網(wǎng)下有效預(yù)測(cè)車流演化態(tài)勢(shì)并提升行駛車輛的安全性。

上述基于條件感知的車流狀況預(yù)測(cè)更有利于實(shí)際應(yīng)用，可以為聯(lián)網(wǎng)車輛提供更佳的環(huán)境信息^[27]，也可以在未來的自動(dòng)駕駛時(shí)代給智能車輛提供車流參數(shù)的預(yù)測(cè)數(shù)據(jù)，幫助服務(wù)車輛避開交通擁堵、優(yōu)化行駛路線、提高運(yùn)輸效率和安全性。