《Expert Systems with Applications》:A competitive and cooperative spatio-temporal framework for urban traffic flow forecasting
编辑推荐:
本文提出了一种用于城市交通流预测的竞争-合作网络构建策略与双通道时空框架。该框架超越了传统使用单一、静态关联结构建模节点交互的方法,通过分解合作与竞争边,并进行并行处理与自适应融合,以显式地识别和利用道路间的正向与负向交互作用,从而更准确地刻画现实路网中的异构依赖关系。实验证明其在多个公开交通基准数据集上,尤其是中长期预测任务中表现优于现有技术,并为拥堵预警、信号控制等决策提供了可解释的交互模式。
Graph-structured spatio-temporal sequence prediction methods
现代多节点时空预测研究大致经历了三个主要阶段:(i)经典统计模型,(ii)基于序列的深度网络,以及(iii)以图为中心的时空架构。近期研究探索了图神经网络(GNNs)和时空图卷积网络(STGCN)等方法,用于从非欧几里得数据中提取时空特征。虽然这些方法相较于传统线性模型或循环神经网络(RNN)模型具有更强的表达能力,但它们通常依赖单一的静态邻接矩阵或统一的注意力机制。尽管最近的研究尝试细化动态关系或增强多尺度特征提取,但大多数方法仍未能明确区分节点间两种根本不同的交互模式——竞争与合作。
在耦合时间序列场景中,节点间的依赖关系是时变的,并表现为多样、动态演化的交互模式。例如,某些路段在特定时段可能表现出显著的同步拥堵,而其他路段在高峰时段可能呈现相互分流,导致相反的趋势。将这些竞争与合作关系映射到单一的正相关通道,可能导致忽略负相关并引入过多噪声。中长期预测进一步放大了这一问题,并催生了时间感知的动态图设计。为捕捉长程时间依赖,长期时空注意力机制也得到了研究。因此,一个关键挑战在于,在非欧几里得结构与时间序列交互并存的环境中,实现对节点依赖更细粒度的刻画,以使模型能够分别提取和融合对应于正向和负向模式的特征。
现实世界交通系统中路段间存在复杂且异质的交互。一些链路在高峰时段表现出同步、相互增强的模式,而另一些则在发生分流时为争夺有限容量而产生相反的波动。将所有此类关系视为统一的正相关会引入显著偏差:竞争效应被误解为噪声,而忽略真实的合作模式则移除了协调拥堵的关键信号。图1通过一个简化的城市走廊说明了这一现象,其中一个路段流量的增加可能因下游移动而放大,也可能因分流或瓶颈效应而受到抑制。这个可视化示例突显了一个基本挑战:现有时空模型缺乏明确表征和利用这些双向交互模式的能力。作为对结构建模的补充,概率深度模型也被探索用于量化交通流量和速度预测中的不确定性。
基于这些观察,本研究将重点从设计另一个预测架构,转向解决一个更基础的问题:如何刻画和利用耦合城市系统中自然出现的合作与竞争关系。为此,我们引入了竞争-合作网络构建策略以及一个双通道时空表征框架,该框架分离了正向和负向依赖,并并行建模其动态性。通过将节点间关系分解为合作与竞争交互,并通过通道特定处理和自适应融合捕捉其时间演化,所提方法为表征现实世界时空系统固有的多样交互模式提供了一种原则性机制。
这种竞争-合作视角能够更准确地识别城市道路网络中的分流行为和同步拥堵,为交通预测、控制和调度提供可行动的见解。此外,同样的范式自然地扩展到其他大规模耦合系统,如供应链运营或能源网络,其中对节点间协同与拮抗关系的建模对于提高预测精度和优化资源分配至关重要。
总的来说,本研究的主要贡献可概括如下:
- •
竞争-合作网络构建:我们提出了一个带符号的时空图,明确区分了合作与竞争的道路交互,为城市交通中的异构依赖提供了原则性表征。
- •
双通道时空建模框架:引入了一个双通道时空架构,以分别捕捉合作与竞争关系的动态,相比传统的单通道方法,能更忠实地刻画耦合行为。
- •
自适应交互融合:一种轻量级融合机制根据当前交通状况动态平衡两个通道,提高了可解释性,并使模型能够强调最相关的交互模式。
- •
实证与实践验证:在四个公开交通基准上的实验显示了一致的准确性提升,并揭示了有意义的交互模式,如拥堵集群和分流效应,证明了该框架在交通预测和控制方面的有效性和实用价值。
Problem definition
道路网络被建模为一个无向图 G=(V, E),其中 V={v1, …, vN} 表示 N 个传感器节点的集合,E?V×V 编码物理连接性。关联的二元邻接矩阵为 A∈RN×N,如果 (vi, vj)∈E,则 aij=1。为捕捉合作与竞争交互,我们将图精化为带符号的形式 G=(V, E+, E-),其中 E+和 E-分别收集促进或抑制交通流的边。在时间 t,交通状态是一个图信号 Xt∈ RN×Cp,包含 Cp个测量值。
Methodology
所提出的双通道动态时空感知图如图2所示,由三个功能模块组成:(1)一个图构建模块,通过计算每对节点的正负相关性来推导带符号的拓扑结构;(2)合作与竞争通道中的时空感知和卷积模块,每个通道堆叠 DCST 块,其中动态注意力捕捉时变依赖,而图卷积建模多跳扩散。
Experiments
本节展示的实验证明,竞争-合作网络有效地捕捉了短程和长程交互模式,在预测准确性和可解释性上超越了单头和朴素多头基线。进一步的消融研究表明,在建模合作与竞争关系时性能有显著提升,突出了捕捉负相关性的重要性。此外,竞争-合作方法可以...
Conclusions and discussion
我们通过竞争与合作交互的视角研究了多节点耦合时间序列预测问题,并引入了一个使这些关系显式的双通道时空框架。通过在构图过程中分离协同与抑制依赖,所提出的竞争-合作网络为现实城市环境中路段如何相互加强或抵消提供了原则性表征。其结果...