基于多周期模态的高速公路交通流预测自适应时空图卷积(Graph Convolutional)方法

《Vehicles》：An Adaptive Spatiotemporal Graph Convolutional Method for Highway Traffic Flow Prediction Based on Multi-Period Modalities

　　

为解决现有方法在空间特征提取过程中忽视时空交通流固有周期性从而导致预测精度受限的问题，研究人员提出了一种用于高速公路交通流预测的自适应时空图卷积(Graph Convolutional)方法。首先，构建含多时间周期的自适应时序图(Adaptive Temporal Diagram, ATD)生成层，动态生成具有丰富表示的交通流时序图，以实现对时空交通模式的准确刻画。其次，引入轻量化Transformer架构设计高效特征提取模块，精细化全局与局部时空变化及其交互关系。最后，设计融合不同时间尺度的多头自注意力(Multi-Head Self-Attention, MHA)模块，捕获多尺度交通数据间的内在关联与动态依赖，从而提升预测精度与泛化能力。在两个公开数据集PEMSBAY和PEMSM上的大量实验验证了所提方法的有效性。与基线(baseline)方法相比，所提模型在平均绝对误差(Mean Absolute Error, MAE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和均方根误差(Root Mean Square Error, RMSE)上分别平均降低14%、19%和15%。结果表明该框架提高了预测精度，为智能交通系统(Intelligent Transportation System, ITS)提供了可靠的方法论基础。

论文解读：基于多周期模态的自适应时空图卷积高速公路交通流预测方法（ASM-STGCN）

一、研究背景与动机

随着智慧城市发展，交通流预测在智能交通系统（Intelligent Transportation System, ITS）中至关重要，可辅助疏堵并提升道路利用率。交通流数据具有高维、非线性及复杂时空依赖性（受路网拓扑、信号控制、时段规律、天气等多因素影响）。传统循环神经网络（Recurrent Neural Network, RNN）/长短期记忆网络（Long Short-Term Memory, LSTM）存在梯度消失/爆炸问题，难以捕捉超过10步的历史信息；传统时空图卷积网络（Spatio-Temporal Graph Convolutional Network, STGCN）依赖预定义静态拉普拉斯矩阵（Laplacian matrix），无法充分建模动态演化的时空依赖，且在空间特征聚合时常忽略远距离节点依赖及交通流固有的周期性（小时、日、周规律）。现有多尺度或动态图方法仍未在空间特征提取时显式融入周期性时空特性。为此，研究人员以ASTGCN为基线，提出集成多周期自适应时序图生成、轻量化Transformer特征精炼及多尺度多头自注意力融合的ASM-STGCN模型，旨在弥补上述不足。

二、主要关键技术方法

研究采用加州高速路性能测量系统公开数据集PEMSBAY（325个传感器，2017年1—6月）与PEMSM/PEMS-M（228个传感器，2012年5—6月），按7∶1∶2划分训练/验证/测试集，Z-score标准化。以过去12个时间步（60 min）预测未来3/6/12步（15/30/60 min）。基于PyTorch 1.12.1实现，Adam优化器（lr=0.001），batch size=64，200轮。核心改进包括：（1）多周期自适应时序图（Adaptive Temporal Diagram, ATD）生成层：通过tanh与ReLU构造隐关系矩阵与差分矩阵，动态学习含非负权的自适应邻接矩阵（adaptive adjacency matrix），显式建模小时、日、周多周期时空依赖；（2）简化Transformer（Simplifying Transformer, SIRT）模块：去除原始残差连接，采用Value-SkipInit策略与三分支结构（Q-K shaped attention分支、跳接元素乘分支、多层感知机Multilayer Perceptron分支），初始化注意力矩阵防秩崩溃，轻量捕获图卷积后特征的微变模式；（3）多尺度多头自注意力（Multi-Head Self-Attention, MHA）融合模块：将小时、日、周三尺度特征经线性投影为Q/K/V，缩放点积注意力加权融合，替代原ASTGCN的拼接（Concat）操作，消除跨尺度特征冗余。以ASTGCN为基线进行对比与消融实验，评价指标为MAE、MAPE、RMSE。

三、研究结果

3.1 数据集描述与实验设置（Dataset Description and Experimental Settings）

研究人员使用PEMSBAY和PEMSM数据集，详细说明传感器数量、采集时间间隔（5 min）及特征（流量、速度、占有率Occupancy），明确数据划分比例与Z-score归一化、软硬件环境及超参数配置，确保与基线公平比对。

3.2 评估指标（Evaluation Metrics）

采用MAE（平均绝对误差）、MAPE（平均绝对百分比误差）与RMSE（均方根误差）三项指标，分别从偏差、相对误差及大误差敏感性三方面综合评价模型性能。

3.3 改进策略的消融实验（Ablation Experiment of Improved Strategy）

在PEMSBAY与PEMSM上对12步（60 min）预测逐次加入ATD、SIRT、MHA进行消融。PEMSM上基线ASTGCN为MAE=3.572/MAPE=9.480/RMSE=6.587；加入ATD降至3.308/9.244/6.229；再加SIRT降至3.215/8.018/5.904；全模型ASM-STGCN达MAE=3.102/MAPE=7.821/RMSE=5.546，较基线分别降13.2%、17.5%、15.8%。PEMSBAY上全模型较基线MAE由2.103降至1.904（-9.5%）、MAPE由5.300降至4.591（-13.4%）、RMSE由4.770降至4.416（-7.4%）。短（15 min）中期（30 min）预测各模块亦均有贡献。表明ATD通过多周期自适应图改善长时周期依赖建模，SIRT增强高阶空间相关与局部交互提取，MHA通过跨尺度注意力融合提升动态变化建模能力。

3.4 对比分析（Comparative Analysis）

与HA（Historical Average）、LSTNet、DCRNN（Diffusion Convolutional Recurrent Neural Network）、STGCN、Graph WaveNet、GMAN（Graph Multi-Attention Network）、ASTGCN、MTGNN（Multivariate Time-series Graph Neural Network）、AGCRN（Adaptive Graph Convolutional Recurrent Network）、SAGCN-SST等9个基线比较。在PEMSM上15 min预测，ASM-STGCN较最强基线SAGCN-SST的MAE降0.099（4.9%）、MAPE降0.312（6.5%）、RMSE降0.239（6.5%）；30 min与60 min亦优于基线。PEMSBAY上15 min较SAGCN-SST、30 min及60 min较MTGNN均有显著降低。统计方法HA不适用于非线性动态场景；非图模型LSTNet缺乏空间拓扑建模致误差累积；固定图模型DCRNN/STGCN难适应动态状态；自适应图模型MTGNN/AGCRN/ASM-STGCN更优，其中ASM-STGCN因ATD+SIRT+MHA协同作用取得最佳精度，但长时（60 min）增益趋缓，说明超长时依赖建模仍有改进空间。

3.5 预测结果可视化分析（Visualization Analysis of Prediction Results）

选取PEMSBAY典型一日，对比LSTNet、STGCN、MTGNN与ASM-STGCN的预测曲线与真值。图示显示图结构模型（STGCN、MTGNN、ASM-STGCN）比非图模型LSTNet更接近真实交通流波动，ASM-STGCN曲线贴合度最优，说明引入空间拓扑与所提三模块能更全面表征时空演化规律。

3.6 模型参数分析（Model Parameter Analysis）

参数量与MAE气泡图显示：ASM-STGCN参数量仅1.32 MB（较ASTGCN 1.18 MB增11.9%），PEMSBAY 60 min预测MAE=1.904（较ASTGCN降9.5%）。LSTNet虽轻量（0.5 MB）但MAE达2.95；DCRNN与MTGNN约1.0 MB精度仍不及ASM-STGCN。证明ATD、SIRT（将自注意力复杂度近似降至线性阶）、MHA以较小参数量代价换取精度明显提升，适合资源受限场景部署。

四、讨论与结论（翻译浓缩）

本研究针对现有方法在空间特征提取时未充分考虑时空数据周期性特征导致预测精度不足的问题，以ASTGCN为基线开发了称为ASM-STGCN的自适应时空图卷积框架用于高速公路交通流预测。该框架核心包含一个多周期自适应时序图（ATD）生成层，用于显式建模不同时段周期性对预测结构的影响，通过动态构建多时间尺度时序图并捕获时空节点间相互依赖来增强模型对时态动态性与周期关联的表示能力；此外，在图卷积操作后引入轻量化特征精炼模块SIRT，通过对自注意力矩阵的初始化与调节有效捕获图卷积特征中的细微变化并促进深层网络稳定特征传播；同时设计了多尺度多头自注意力（MHA）融合机制整合不同时间分辨率的feature表示，使模型能够学习多尺度交通模式间内在关联与动态交互从而提高泛化性能。研究人员在PEMSBAY和PEMSM两个公开数据集开展实验，消融结果验证了ATD、SIRT和MHA对各预测时长的正向贡献。与基线方法相比，所提模型在两个数据集上MAE平均降低14%、MAPE平均降低19%、RMSE平均降低15%。对比实验进一步证实了ASM-STGCN的有效性。未来工作将致力于更有效的自适应时序图生成策略、进一步优化空间特征提取机制，并探索集成类Mamba等高效序列建模架构以增强长程依赖建模能力，该框架也可扩展至人群移动预测与空气质量预测等其他基于图的时空预测任务。论文发表于《Vehicles》。