基于多周期組件時空神經(jīng)網(wǎng)絡(luò)的路網(wǎng)通行速度預(yù)測

楊建喜，郁超順，李韌*，杜利芳，蔣仕新，王笛

(重慶交通大學(xué)，a.信息科學(xué)與工程學(xué)院；b.交通運(yùn)輸學(xué)院，重慶400074)

0 引言

隨著感應(yīng)線圈、測速雷達(dá)等智能感知終端快速部署應(yīng)用，當(dāng)前路網(wǎng)環(huán)境中已積累海量的交通感知數(shù)據(jù)，并呈現(xiàn)多源異構(gòu)及高速增長等大數(shù)據(jù)特性。近年來，以上述路網(wǎng)交通感知數(shù)據(jù)為基礎(chǔ)，結(jié)合大數(shù)據(jù)、人工智能等新興技術(shù)，深度賦能路網(wǎng)交通狀態(tài)智能化分析與預(yù)測已成為大數(shù)據(jù)時代智能交通領(lǐng)域研究的迫切任務(wù)[1]。

目前，國內(nèi)外學(xué)者圍繞智能交通感知獲取的交通流量、密度和通行速度三大宏觀交通狀態(tài)指標(biāo)，結(jié)合以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)為代表的神經(jīng)網(wǎng)絡(luò)理論方法已成為路網(wǎng)交通狀態(tài)預(yù)測方向當(dāng)前的發(fā)展趨勢，并開展了較多研究[2]。在交通流量預(yù)測方面：劉小明等[3]考慮交通流量時延特性，利用長短時記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)進(jìn)行多斷面短時交通流預(yù)測；Liu等[4]聯(lián)合卷積模塊與長短時記憶神經(jīng)網(wǎng)絡(luò)，提出Conv-LSTM 模塊提取交通流的時空特征，并利用雙向LSTM 提取時序特征，從而預(yù)測交通流的未來趨勢；馮寧等[5]提出了面向高速公路交通流預(yù)測的融合周、日和近期多組件時空圖卷積神經(jīng)網(wǎng)絡(luò)(Multi-component Spatial-temporal Graph Convolution Networks,MSTGCN)；Guo等[6]在MSTGCN基礎(chǔ)上引入注意力機(jī)制來捕獲交通網(wǎng)絡(luò)的動態(tài)時空相關(guān)性，提出多組件時空注意力圖卷積神經(jīng)網(wǎng)絡(luò)(Attention based Spatial-Temporal Graph Convolutional Networks,ASTGCN)。上述深度神經(jīng)網(wǎng)絡(luò)模型在交通流量預(yù)測任務(wù)方面取得了較好性能。

另一方面，通行速度作為交通狀態(tài)評價(jià)的重要指標(biāo)[7]，更能反映路網(wǎng)交通擁堵狀況。國內(nèi)外研究人員在深度神經(jīng)網(wǎng)絡(luò)驅(qū)動的路網(wǎng)通行速度預(yù)測任務(wù)方面同樣開展了一定有益探索。Ma 等[8]將LSTM網(wǎng)絡(luò)應(yīng)用于交通路網(wǎng)通行速度預(yù)測中，以實(shí)現(xiàn)交通感知數(shù)據(jù)的時序特征建模。將通行速度轉(zhuǎn)化為圖像，利用CNN 以類圖像學(xué)習(xí)的方式[9]，具有較好的空間特征提取能力。但上述通行速度預(yù)測方法僅涉及時序或空間信息相關(guān)性，未考慮時空雙維度特征的同時提取。為彌補(bǔ)其不足，Liu 等[10]聯(lián)合CNN-LSTM構(gòu)建了面向路網(wǎng)交通通行速度預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，其中卷積層提取的交通數(shù)據(jù)空間特征，以供LSTM 捕獲長時依賴關(guān)系；但因池化操作主動丟棄大量特征，造成空間節(jié)點(diǎn)關(guān)聯(lián)信息丟失。Zhao 等[11]聯(lián)合圖卷積(Graph Convolutional Networks,GCN)和門控循環(huán)單元(Gated Recurrent Unit,GRU)預(yù)測路網(wǎng)交通通行速度。以圖結(jié)構(gòu)的形式學(xué)習(xí)路網(wǎng)空間相關(guān)性避免了空間信息的丟失，且加強(qiáng)了復(fù)雜路網(wǎng)的空間相關(guān)性學(xué)習(xí)能力。但基于圖神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，對訓(xùn)練與推理時間、計(jì)算資源提出較高的要求，且前期大規(guī)模復(fù)雜路網(wǎng)鄰接矩陣的構(gòu)建是一項(xiàng)繁瑣且費(fèi)時費(fèi)力的工作。此外，上述工作在歷史交通狀態(tài)周期性建模、中長時多步預(yù)測的準(zhǔn)確性與穩(wěn)定性有待進(jìn)一步提升。

綜上所述，以時空神經(jīng)網(wǎng)絡(luò)為主干的大規(guī)模路網(wǎng)交通通行速度預(yù)測具有重要意義和應(yīng)用前景。本文針對交通流動態(tài)變化、多因素非線性的時空關(guān)聯(lián)性，開展空間節(jié)點(diǎn)相關(guān)性自適應(yīng)捕獲、周期性長時依賴提取的中長時多步路網(wǎng)通行速度預(yù)測方法研究，主要貢獻(xiàn)包括4個方面：

(1)提出一種面向大規(guī)模路網(wǎng)通行速度預(yù)測任務(wù)的端到端深度神經(jīng)網(wǎng)絡(luò)模型，對時空三維交通數(shù)據(jù)矩陣的時空特征雙維度挖掘。依次通過卷積層和GRU層將輸入數(shù)據(jù)編碼為深度時空上下文特征矩陣，再將預(yù)測卷積層代替?zhèn)鹘y(tǒng)全連接層，進(jìn)行高效預(yù)測。

(2)引入僅包含多尺度卷積層的交通數(shù)據(jù)空間特征提取單元，避免空間節(jié)點(diǎn)關(guān)聯(lián)信息丟失與前期路網(wǎng)鄰接矩陣構(gòu)建的繁瑣工作，自適應(yīng)捕獲路網(wǎng)不同空間視角下的交通路網(wǎng)上下游節(jié)點(diǎn)通行速度空間相關(guān)性特征與多變量交通時空序列數(shù)據(jù)相互關(guān)聯(lián)。

(3)聯(lián)合交通狀態(tài)周期建模與GRU的長時特征提取方法，GRU學(xué)習(xí)單周期組件內(nèi)時序信息，再以多周期組件的權(quán)重自適應(yīng)融合預(yù)測。該方法避免了長時間序列的數(shù)據(jù)冗余，同時具有長時依賴關(guān)系的提取能力。

(4)基于兩個真實(shí)的路網(wǎng)交通數(shù)據(jù)集開展方法驗(yàn)證，本文提出的模型在大規(guī)模交通路網(wǎng)場景下具有較好的預(yù)測性能和中長時預(yù)測穩(wěn)定性，且優(yōu)于其他基準(zhǔn)模型。

1 數(shù)據(jù)描述與問題定義

在數(shù)據(jù)及問題特性方面，正如文獻(xiàn)[5]分析，路網(wǎng)環(huán)境下獲取的交通量、通行速度等感知數(shù)據(jù)具有近期、日和周等不同時間粒度的周期性。例如，前一周對應(yīng)時段的交通數(shù)據(jù)、前一天對應(yīng)時段的交通數(shù)據(jù)與所需預(yù)測時間段內(nèi)的真實(shí)交通數(shù)據(jù)之間存在高度的時間趨勢相關(guān)性，同時近期的周期數(shù)據(jù)對于預(yù)測數(shù)據(jù)同樣具有較強(qiáng)的時間依賴。

基于此，本文將路網(wǎng)感知數(shù)據(jù)作為輸入，將其規(guī)約為時間-空間-特征的三維時空矩陣X∈RT×N×F，其中，T為時間序列的長度，N為布設(shè)于路網(wǎng)中的傳感器數(shù)量，F(xiàn)為每個傳感器的數(shù)據(jù)維數(shù)。與文獻(xiàn)[5]不同的是，本文沒有顯示地定義路網(wǎng)中各傳感器的拓?fù)浣Y(jié)構(gòu)關(guān)系。具體而言，采用xf,i,t∈R 表示t時刻在傳感器節(jié)點(diǎn)i處第f維的數(shù)據(jù)值，xi,t∈RF表示t時刻在傳感器節(jié)點(diǎn)i處所有維度的數(shù)據(jù)值。用χt=(x1,t,x2,t,…,xN,t)∈RN×F表示t時刻路網(wǎng)中所有傳感器節(jié)點(diǎn)所有維度數(shù)據(jù)值。在此基礎(chǔ)上，定義三維矩陣X=(χ1,χ2,…,χT)∈RT×N×F表示時間序列T內(nèi)所有傳感器節(jié)點(diǎn)所有維度的數(shù)據(jù)值。設(shè)yi,t=xf,i,t∈R 為所需預(yù)測的未來時刻t路網(wǎng)節(jié)點(diǎn)i處的通行速度，yi=(yi,t+1,yi,t+2,…,yi,t+Tp)∈RTp表示所需預(yù)測的未來時間序列Tp內(nèi)路網(wǎng)節(jié)點(diǎn)i的通行速度。本文定義路網(wǎng)交通通行速度預(yù)測任務(wù)為：基于已知?dú)v史時間段T內(nèi)路網(wǎng)上所有節(jié)點(diǎn)所有維度的三維時空矩陣X，預(yù)測未來時間窗口長度Tp內(nèi)路網(wǎng)中所有節(jié)點(diǎn)的通行速度矩陣Yp=(y1,y2,…,yN)∈RN×Tp。

2 面向路網(wǎng)通行速度預(yù)測的多周期組件時空神經(jīng)網(wǎng)絡(luò)模型

基于上述問題定義，提出一種聯(lián)合全卷積(Full Convolutional,FConv)和門控循環(huán)單元(GRU)的多周期組件時空神經(jīng)網(wǎng)絡(luò)(Multi-periodiccomponents Spatial-Temporal Neural Network via Full Convolutional and Gated Recurrent Unit，MSTNN-FConv-GRU)。如圖1所示，該網(wǎng)絡(luò)模型整體架構(gòu)包含3個共享相同網(wǎng)絡(luò)結(jié)構(gòu)的周、日和近期的周期組件。將歷史交通數(shù)據(jù)X劃分為周數(shù)據(jù)Xw、日數(shù)據(jù)Xd、近期數(shù)據(jù)Xr分別作為3 個組件的數(shù)據(jù)輸入，每個組件都由空間維FConv層和時間維GRU層組成。其中，F(xiàn)Conv層采用多尺度策略捕獲路網(wǎng)不同視角下的通行速度空間特征，GRU 層對相鄰時間片之間的時間依賴關(guān)系進(jìn)行建模。為防止網(wǎng)絡(luò)退化，優(yōu)化訓(xùn)練效率，每部分周期組件引入殘差學(xué)習(xí)框架[12]。最后，將3 部分組件預(yù)測的周結(jié)果、日結(jié)果和近期結(jié)果融合預(yù)測未來特定時間窗口Tp下的路網(wǎng)通行速度。

圖1 MSTNN-FConv-GRU網(wǎng)絡(luò)模型架構(gòu)Fig.1 Architecture of proposed MSTNN-FConv-GRU model

2.1 空間維多尺度FConv模塊

通行速度等感知數(shù)據(jù)的空間特征主要體現(xiàn)在各傳感器所部署的空間地理位置相關(guān)性，即各節(jié)點(diǎn)獲取的感知信息往往會受相鄰節(jié)點(diǎn)的交通狀態(tài)相互影響。鑒于此，采用CNN 模型的卷積算子進(jìn)行空間特征提取。

為進(jìn)一步減輕網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度、避免空間節(jié)點(diǎn)關(guān)聯(lián)信息的丟失，在負(fù)責(zé)特征提取的FConv模塊中，僅使用L=3 個不同大小卷積核的卷積層來獲取空間相關(guān)性。如第1節(jié)所述，將路網(wǎng)中N個傳感器獲取到F個采樣頻率一致的時間序列長度為T的時空數(shù)據(jù)視作時間-空間-特征三維時空矩陣X∈RT×N×F，即每個傳感器節(jié)點(diǎn)的每個采樣時間點(diǎn)會采集到一個長度為F的特征向量，每個采樣時間點(diǎn)則會生成一個N×F的空間特征時間片矩陣。遍歷空間特征時間片矩陣，分別對每個時間片矩陣采用L=3 個不同大小的卷積核捕獲不同空間視角下空間相關(guān)性特征與多變量非線性相關(guān)性，將提取出的交通特征進(jìn)一步組合成多空間維度的交通特征。本文采用的空間維多尺度FConv 模塊結(jié)構(gòu)如圖2所示。

圖2 空間維多尺度FConv模塊Fig.2 Multi-scale convolution in spatial dimension

圖2中，以t時刻空間特征時間片矩陣χt為例，空間卷積模塊中每個卷積核大小為K×F，步長為1。通過卷積操作提取長度為N的空間特征向量ml進(jìn)行水平拼接，構(gòu)建尺寸大小為N×L的空間特征矩陣M=[m1,m2,…,mL]。再使用S×S卷積核對空間特征矩陣M融合不同空間視角下特征，其輸出長度為N的t時刻融合特征向量vt為

式中：W和Wl分別為融合卷積層的卷積核和特征提取卷積層中第l個卷積核的權(quán)重；b和bl分別為相應(yīng)偏置；*為卷積操作。

最后，對不同時刻的融合特征向量水平拼接，并使用激活函數(shù)Re LU(x)=max(0,x)非線性映射，使得空間維卷積模塊可以擬合復(fù)雜交通數(shù)據(jù)的非線性關(guān)系，構(gòu)建N×T的特征矩陣。

2.2 時間維GRU模塊

通行速度數(shù)據(jù)也具有明顯的時間相關(guān)特征，且呈現(xiàn)出較強(qiáng)短時相關(guān)性與長時依賴性。針對通行速度數(shù)據(jù)的時間特征挖掘，應(yīng)同時考慮長期依賴性。

作為一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，GRU 善于發(fā)現(xiàn)時序數(shù)據(jù)的長期復(fù)雜性規(guī)律，適宜處理長期時序數(shù)據(jù)。另外，相較于LSTM 模型，GRU的網(wǎng)絡(luò)結(jié)構(gòu)更為簡單高效。GRU中存在一個記憶狀態(tài)單元以及重置門、更新門兩個門控機(jī)制[13]。通過門控機(jī)制對信息進(jìn)行選擇性丟棄或更新，實(shí)現(xiàn)有效的時序數(shù)據(jù)特征提取。本文采用的GRU模塊網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Architecture of GRU model

在聯(lián)合模型中，通過空間卷積模塊提取后的空間特征二維矩陣為V=(v′1,v′2,…,v′T)，將其輸入到GRU 中，從而提取數(shù)據(jù)的時序特征。具體計(jì)算公式為

式中：Rt為重置門；Zt為更新門；為當(dāng)前時刻輸入狀態(tài)；Ht-1為t-1 時刻隱藏層輸出狀態(tài)；為候選隱藏狀態(tài)；Ht為當(dāng)前時刻隱藏狀態(tài)；Wr、Wz、Wh?分別表示更新門、重置門、候選隱藏狀態(tài)學(xué)習(xí)的權(quán)重參數(shù)；br、bz和bh為偏置；⊙為對應(yīng)元素乘積的哈達(dá)馬積；sigmoid(x)=、tanh(x)=分別為將變量映射到(0,1)和(-1,1)之間的激活函數(shù)。

圖4 聯(lián)合FConv-GRU時空神經(jīng)網(wǎng)絡(luò)架構(gòu)Fig.4 Architecture of FConv-GRU model

2.3 多周期時空融合預(yù)測組件

在上述聯(lián)合FConv-GRU的時空特征提取組件基礎(chǔ)上，針對交通數(shù)據(jù)進(jìn)行周期性建模。構(gòu)建3個基于FConv-GRU模型的相同網(wǎng)絡(luò)結(jié)構(gòu)：周、日和近期周期組件，分別提取不同時間粒度的特征。

設(shè)采樣頻率為每天q次，沿時間軸分別截取時間序列長度為Tw、Td和Tr的周時間片矩陣序列作為輸入，各個時間片矩陣為

由于不同路網(wǎng)節(jié)點(diǎn)受時間周期的影響程度不同，自適應(yīng)學(xué)習(xí)周、日、近期3 部分組件的權(quán)重系數(shù)，捕獲不同時間周期對預(yù)測時段交通狀態(tài)的影響程度。

式中：θw、θd和θr分別為周、日和近期組件的權(quán)重參數(shù)；、和為周、日和近期組件的預(yù)測結(jié)果；為融合各周期組件預(yù)測的路網(wǎng)通行速度。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集介紹

為驗(yàn)證所提出MSTNN-FConv-GRU 模型的路網(wǎng)通行速度預(yù)測性能，分別選取滴滴蓋亞計(jì)劃成都市交通指數(shù)數(shù)據(jù)[14]和美國加利福尼亞州高速公路PeMSD08 交通數(shù)據(jù)[15]作為實(shí)驗(yàn)數(shù)據(jù)集。每個數(shù)據(jù)集按6∶2∶2劃分訓(xùn)練集、驗(yàn)證集和測試集。

成都市交通指數(shù)數(shù)據(jù)(Travel Time Index of Chengdu,TTIC)，采樣頻率為10 min·次-1，基于浮動車軌跡的城市交通指數(shù)計(jì)算服務(wù)所得道路級交通指數(shù)數(shù)據(jù)和平均行駛速度這2 個維度的交通數(shù)據(jù)。選取2018年3月1日-4月30日，成都市三環(huán)內(nèi)196條路段具有城市交通特征的交通數(shù)據(jù)。

PeMSD08 高速公路的交通數(shù)據(jù)，具有路網(wǎng)拓?fù)浣Y(jié)構(gòu)，采樣頻率為30 s·次-1，8 條高速公路上的1979 個檢測器包含車流量、平均車速、平均車道占用率這3 個維度的交通數(shù)據(jù)。剔除了過近的檢測器節(jié)點(diǎn)和時間節(jié)點(diǎn)的數(shù)據(jù)，選取2016年7月1日-8月31日的數(shù)據(jù)作為模型驗(yàn)證數(shù)據(jù)，并匯總成以5 min為時間間隔，8 條路段上170 個節(jié)點(diǎn)具有高速公路交通特征的交通數(shù)據(jù)。

將上述兩個數(shù)據(jù)集構(gòu)造成維度為T×N×F的時空三維矩陣作為網(wǎng)絡(luò)模型的輸入。為避免數(shù)據(jù)之間量綱不同帶來的誤差，對數(shù)據(jù)z-score標(biāo)準(zhǔn)化預(yù)處理。

式中：mean和std 分別為求均值和標(biāo)準(zhǔn)偏差的操作。

3.2 超參數(shù)設(shè)置

通過實(shí)驗(yàn)調(diào)參選定最佳超參數(shù)，將L和S設(shè)置為3，因TTIC 與PeMSD08 數(shù)據(jù)集的維度和采樣頻率不同，分別將F設(shè)置為2和3，Tw、Td和Tr設(shè)置為1，1，3 h，Tstep設(shè)置為6和12。在空間維卷積層使用3個通道數(shù)為64、卷積核尺寸分別為3×F、5×F和7×F的卷積核，其中，F(xiàn)為數(shù)據(jù)維度。再使用1個通道數(shù)為64，卷積核尺寸為3×3的卷積核對空間特征矩陣進(jìn)行特征融合。在時間維特征提取模塊，設(shè)置GRU 層數(shù)為3，隱藏層層數(shù)為時間步長Tstep。在預(yù)測卷積層確定通道數(shù)為Tstep，卷積核尺寸為1×64的卷積進(jìn)行預(yù)測。為優(yōu)化預(yù)測值與真實(shí)值的差異程度，損失函數(shù)采用均方誤差損失。具體如圖5所示。

圖5 MSTNN-FConv-GRU網(wǎng)絡(luò)模型超參數(shù)Fig.5 Hyper-parameters of MSTNN-FConv-GRU model

3.3 實(shí)驗(yàn)結(jié)果與分析

針對TTIC 數(shù)據(jù)集，將MSTNN-FConv-GRU 與LSTM[8]、CNN[9]、GRU[13]和Conv-LSTM[4]這4種經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)與所提出的MSTNN-FConv-GRU模型進(jìn)行比較實(shí)驗(yàn)。此外，在具有路網(wǎng)拓?fù)浣Y(jié)構(gòu)的PeMSD08 數(shù)據(jù)集上，添加MSTGCN[5]和ASTGCN[6]這2 種基于圖卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對比。采用平均絕對誤差EMAE、平均平方誤差ERMSE和平均絕對百分比誤差EMAPE作為評價(jià)指標(biāo)，未來1 h路網(wǎng)通行速度的預(yù)測效果分別如表1和表2所示。

表1 不同模型在TTIC數(shù)據(jù)集上的性能比較Table 1 Performance comparison of different approaches on TTIC dataset

表2 不同模型在PeMSD08數(shù)據(jù)集上的性能比較Table 2 Performance comparison of different approaches on PeMSD08 dataset

MSTNN-FConv-GRU在評價(jià)指標(biāo)中，面向城市路網(wǎng)與高速公路路網(wǎng)通行速度預(yù)測均取得最佳的精度性能，并且模型推理訓(xùn)練時間適中。針對城市路網(wǎng)，由于城市交通狀況多變、拓?fù)浣Y(jié)構(gòu)復(fù)雜等特點(diǎn)，相較于時間序列預(yù)測的模型，空間特征提取的網(wǎng)絡(luò)模型建模能力有限，預(yù)測效果不佳。同時，LSTM與GRU 具有相當(dāng)?shù)念A(yù)測性能，但由于GRU 簡化的網(wǎng)絡(luò)結(jié)構(gòu)，模型推理訓(xùn)練速度稍快于LSTM。針對高速公路路網(wǎng)，相較于城市交通狀態(tài)而言，高速公路路網(wǎng)空間拓?fù)浣Y(jié)構(gòu)較為簡單，標(biāo)準(zhǔn)卷積與圖卷積均能較好地捕獲交通數(shù)據(jù)的空間特征。與需構(gòu)建路網(wǎng)鄰接矩陣的圖卷積相比，MSTNN-FConv-GRU速度更快。此外，考慮周期性特征的多組件時空神經(jīng)網(wǎng)絡(luò)使得循環(huán)神經(jīng)網(wǎng)絡(luò)更好提取時序特征，預(yù)測性能優(yōu)于一般深度學(xué)習(xí)模型。

同時在TTIC和PeMSD08 數(shù)據(jù)集上分別以10 min和5 min 為時間間隔增長，使預(yù)測時長增長至1 h，對比各個網(wǎng)絡(luò)模型隨著預(yù)測時長增長的性能變化情況，實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 不同模型隨預(yù)測時長的性能變化Fig.6 Performance changes of different methods along with forecasting duration

隨著預(yù)測時長的增長，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測方法變化趨勢平穩(wěn)，但預(yù)測精度有待提高。大多數(shù)網(wǎng)絡(luò)模型的整體誤差隨著預(yù)測時長的增長逐漸增大。MSTNN-FConv-GRU 模型在短時與中長時路網(wǎng)交通速度精度均優(yōu)于其他基準(zhǔn)方法，并且誤差增長趨勢平緩，未發(fā)生激增突變。

4 結(jié)論

本文提出聯(lián)合全卷積和門控循環(huán)單元的多周期組件時空神經(jīng)網(wǎng)絡(luò)，在兩個公開交通數(shù)據(jù)集上實(shí)驗(yàn)驗(yàn)證，得到如下結(jié)論：

(1)在空間維特征提取方面，多尺度卷積模塊能夠以類圖像學(xué)習(xí)的形式自適應(yīng)學(xué)習(xí)交通時空矩陣中大規(guī)模路網(wǎng)不同空間視角下的交通狀態(tài)空間特征與交通時空序列數(shù)據(jù)多參數(shù)關(guān)聯(lián)性。

(2)在時間維特征提取方面，聯(lián)合交通數(shù)據(jù)周期建模與GRU的長時特征提取方式，能夠較好地捕獲路網(wǎng)交通數(shù)據(jù)之間的周期特征與長時期依賴關(guān)系，進(jìn)而提升模型中長時多步預(yù)測的性能。

(3)在模型推理時效性方面，以全卷積模塊代替圖神經(jīng)網(wǎng)絡(luò)、預(yù)測卷積層代替?zhèn)鹘y(tǒng)全連接層等高效簡潔的神經(jīng)網(wǎng)絡(luò)模塊，在保證預(yù)測精度的前提下，提升網(wǎng)絡(luò)模型計(jì)算速度。

在空間特征提取方面，卷積模塊以類似圖像的學(xué)習(xí)方式捕獲大規(guī)模路網(wǎng)空間特征，但仍由卷積操作提取的局部特征組合而成；在時間維特征提取方面，對于交通數(shù)據(jù)不同時間粒度融合精細(xì)化程度有待進(jìn)一步提高。后續(xù)擬繼續(xù)研究如何自適應(yīng)學(xué)習(xí)路網(wǎng)中各傳感器的拓?fù)浣Y(jié)構(gòu)關(guān)系，提取全局路網(wǎng)時空特征以及不同時間粒度精細(xì)化融合方式。