KG-SA-GE:一种基于知识图谱的结构-属性图嵌入方法,用于交通流量预测
《Neurocomputing》:KG-SA-GE: A knowledge graph-enhanced structure-attribute graph embedding for traffic flow forecasting
【字体:
大
中
小
】
时间:2026年03月24日
来源:Neurocomputing 6.5
编辑推荐:
交通流预测面临多源数据整合与复杂时空依赖建模的挑战,本文提出基于知识图谱的KG-SA-GE框架,通过融合城市异构数据与交通网络拓扑,构建结构-属性联合嵌入算法SA-GE,并设计时空解耦的图注意力网络ST-GAT,实现动态空间关联与长时依赖建模,实验表明其预测精度显著优于基线模型且具备可解释性分析能力。
Jiayi Cao|Jianzhong Chen
西北工业大学自动化学院,中国西安,710072
摘要
准确的交通流量预测对于智能城市的运营和实时交通管理至关重要。然而,现有的模型在整合多源城市数据或建模复杂的时空依赖性方面存在不足。为了解决这些挑战,我们提出了KG-SA-GE,这是一个基于知识图的框架,它统一了异构城市数据和交通网络拓扑结构,从而促进了强大的时空表示学习。该框架包含了三个核心创新:(1)一个专门的知识图,用于统一异构城市数据,在交通传感器和城市基础设施之间建立明确的语义链接;(2)结构-属性图嵌入(SA-GE)算法,它联合编码网络拓扑和节点属性以生成语义上稳健的嵌入,解决了仅依赖结构的基线的表示偏差问题;(3)解耦的时空图注意力网络(ST-GAT),其中空间GAT层通过注意力机制自适应地捕捉城市模式,而时间Transformer编码器则建模长距离依赖性。在两个真实世界数据集上的广泛实验评估表明,KG-SA-GE的性能优于基线模型,显著提高了预测准确性。此外,该框架通过识别高影响力区域提供了可解释的预测结果,从而使城市规划者能够优先在这些区域进行干预,从而实现有针对性的交通缓解和系统性拥堵减轻。
引言
随着社会经济的快速发展和城市的持续扩张,城市道路里程和汽车拥有量急剧增加,导致交通拥堵日益严重。智能交通系统(ITS)作为一种交通和管理技术应运而生,它通过数据驱动的决策实现高效的交通管理,减少旅行时间,降低污染,并提高道路安全。交通流量预测是ITS的关键组成部分,为交通相关决策提供了重要指导,有助于优化交通规划、交通控制和交通路线。
交通流量预测领域已经发生了显著演变,从统计方法发展到机器学习技术,最近又发展到擅长处理复杂高维数据的深度学习。这种演变是由交通流量的固有时空特性驱动的。它同时受到时间连续性(例如历史模式)和空间相互依赖性(例如道路网络之间的交互)的影响。循环神经网络(RNN),包括长短期记忆(LSTM)网络[1]和门控循环单元(GRU)网络[2],能够有效建模交通流量数据中固有的复杂时间依赖性。然而,它们在建模交通网络的图拓扑方面存在不足。卷积神经网络(CNN)[3]可以分析交通传感器的空间模式,但其有效性受到交通传感器分布不均的限制。图卷积网络(GCN)[4]可以在非欧几里得空间中处理交通数据,从而在建模复杂的空间关系方面具有更大的灵活性。但是,现有的基于图的模型依赖于空间先验假设(例如传感器连通性)来构建邻接矩阵,这可能会忽略由城市因素(如兴趣点(POI)和基础设施布局)驱动的动态语义依赖性。
这一关键限制在真实世界的传感器数据中尤为明显。图1(a)使用小蓝标记展示了PeMS031数据集中交通传感器的精确位置,传感器“317,852”、“317,842”和“312,346”分别标记为A、B和C。图1(b)和图1(c)显示了2018年9月1日至6日期间从这三个传感器收集的交通流量数据。可视化结果显示,尽管传感器A和B位置接近,但它们的交通模式相关性较低。相比之下,尽管距离较远,传感器和显示出更高的相关性。这一差异揭示了一个关键问题:仅基于物理距离或传感器连通性构建邻接矩阵可能会显著降低模型的预测准确性。
虽然自适应邻接矩阵方法近年来越来越受欢迎,但它们面临两个主要挑战:(1)可扩展性与准确性的权衡。具体来说,随着时间的推移迭代细化节点嵌入虽然有效,但在扩展到具有密集传感器部署的大规模城市网络时可能会带来相当大的计算开销。(2)语义偏差。尽管现有方法减少了对手动先验假设的依赖,但它们可能会无意中强化主导的时空模式(例如高峰时段流量),而忽略了微妙但关键的上下文信号,如间歇性事件。
此外,交通流量还受到多种外部因素的影响,包括拥堵、天气条件、事故和城市布局,每种因素都表现出不同的周期性或突发性模式。传统的深度学习模型难以建模异构因素之间的相互依赖性,这从根本上限制了时空关系的建模。谷歌提出的知识图(KGs)[5]通过建模不同数据源之间的关系提供了一种有效的方法来捕捉复杂的相互依赖性。然而,仍然存在一个重大瓶颈:现有方法缺乏一种强大的机制来将静态语义知识与动态交通流量结合起来。这种隔离限制了模型完全克服物理接近性和上述自适应学习的语义偏差。因此,统一异构城市数据和交通网络对于实现更准确和可解释的交通预测至关重要。
为了解决这一需求,我们提出了KG-SA-GE,这是一个新颖的基于知识图的增强框架,旨在解决交通流量预测中的这些关键挑战。它包括一个创新的嵌入模块、一个时空相关性提取模块和一个端到端的预测模块。在嵌入模块中,我们提出了SA-GE算法,该算法有效地融合了知识图中的结构拓扑和节点属性,生成了语义丰富的嵌入。时空相关性提取模块通过解耦的架构改进了图注意力网络(GAT)[6],使得时空交互的学习更加有效。最后,这些精炼的相关性被输入到一个完全端到端的解码器中,直接输出交通预测结果,同时实现了可解释性。这种设计弥合了传统交通流量预测模型中的语义差距,使框架在捕捉城市动态方面实现了更高的准确性和可解释性。本文的主要贡献如下:
1.我们构建了一个知识图,统一了异构城市数据,在交通传感器之间建立了明确的语义关系。这使得我们能够超越空间接近性,更深入地理解城市动态,解决了基于图的先前方法中的语义偏差问题。
2.我们提出了SA-GE算法,这是一种创新的嵌入方法,它利用图拓扑和节点属性生成表达力强的嵌入向量,从而减轻了仅依赖结构拓扑的模型中的表示偏差。
3.我们开发了ST-GAT网络,这是一种解耦的架构,它在自主学习和领域特定先验之间取得了平衡。其空间GAT层采用自适应矩阵策略动态捕捉不断变化的城市模式,而时间Transformer层结合自注意力来建模长距离时间依赖性。这种设计使网络能够更有效地捕捉复杂的时空依赖性。
4.实验结果表明,KG-SA-GE在保持可解释性的同时,性能优于基线模型,能够明确分析关键城市节点的影响。
本文的结构如下。第2节回顾了相关文献。第3节描述了知识图的构建,并详细解释了提出的SA-GE算法和ST-GAT网络。第4节展示了实验结果,第5节总结了本文并概述了未来研究的潜在方向。
节选
文献综述
以下部分回顾了交通预测领域的关键发展,重点关注最近的进展、从预定义图模型到自适应图模型的转变以及多源数据的整合。
框架
KG-SA-GE框架的总体架构如图2(a)所示,这与第3.1节至第3.4节详细描述的完整工作流程相对应。图2(b)展示了SA-GE模块(图2(a)中的橙色块),该模块通过整合图拓扑和节点属性生成语义丰富的嵌入向量,这些嵌入随后被用作ST-GAT模块的输入,以建模动态的时空相关性,具体细节见第3.3节
数据集
尽管许多交通流量数据集都是公开可获取的,但很少有数据集包含辅助数据。考虑到数据收集的挑战和构建知识图的复杂性,我们使用以下两个数据集来评估KG-SA-GE。
METR-LA2作为交通预测研究的基准数据集。它包含了位于美国洛杉矶地区的传感器的交通速度数据。PeMS03数据集记录了交通
结论
在本文中,我们提出了KG-SA-GE,这是一个基于知识图的框架,用于实现准确和可解释的交通流量预测。通过引入SA-GE算法和解耦的ST-GAT架构,该模型有效地弥合了静态城市知识和动态交通数据之间的语义差距。
在PeMS03和METR-LA上进行的实验表明,KG-SA-GE表现非常出色。消融研究证实了每个组件的有效性及其综合影响。
CRediT作者贡献声明
Jiayi Cao:撰写——原始草稿、软件、方法论、概念化。Jianzhong Chen:撰写——审稿与编辑、监督、方法论。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了中国陕西省自然科学基础研究计划(编号2023-JC-YB-508)的支持。
Jiayi Cao目前正在中国西安的西北工业大学自动化学院攻读博士学位。他的研究兴趣包括交通流量预测和知识图。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号