基于自适应时空同步建模的交通流预测

叶宝林; 戴本岙; 苗永超; 李灵犀; 王翔; 吴维敏

doi:10.3969/j.issn.1000-1158.2025.06.04

PDF(2972 KB)

计量学报 ›› 2025, Vol. 46 ›› Issue (6) : 802-812. DOI: 10.3969/j.issn.1000-1158.2025.06.04

无线电计量

基于自适应时空同步建模的交通流预测

叶宝林 ¹^,² ,
戴本岙 ¹^,³ ,
苗永超 ¹^,³ ,
李灵犀 ⁴ ,
王翔 ² ,
吴维敏 ⁵

作者信息 +

Adaptive Spatio⁃temporal Synchronous Modeling Based Traffic Flow Prediction

YE Baolin ¹^,² ,
DAI Benao ¹^,³ ,
MIAO Yongchao ¹^,³ ,
LI Lingxi ⁴ ,
WANG Xiang ² ,
WU Weimin ⁵

Author information +

文章历史 +

摘要

为准确捕获路网中不同交通节点之间的时空关联关系，提出一种基于自适应时空同步建模的交通流预测方法。首先，构建全局节点嵌入和不同子图的偏置生成多个既相互关联又有一定区别的时空子图，将不同的时空子图进行拼接生成静态自适应时空图，从不同的维度上描述路网中不同节点间的时空关联关系。其次，为了更好地建模不同交通节点间动态变化的时空关联关系，设计了一种新的动态自适应时空图构建方法，在有效描述不同交通节点间动态时空关联关系的同时，降低了动态时空图的计算复杂度。最后，在3个来自真实路网的公开数据集上进行测试，测试结果表明：与LSTM、DCRNN、STGCN、ASTGCN、GWN、STSGCN、STFGNN、STGODE、S²TAT等9种基线方法相比，所提方法具有更高的预测精度。在数据集PEMS08上，与最优基线方法S²TAT相比，该方法的平均绝对误差e _MAE、平均绝对百分比误差e _MAPE和均方根误差e _RMSE分别降低了8.65% 、9.25%和6.04%。

Abstract

In order to accurately capture the spatio-temporal correlation between different traffic nodes in the road network， a traffic flow prediction method based on adaptive spatio-temporal synchronization modeling was proposed. Firstly， the global node embedding and the bias of different sub-graphs were constructed to generate multiple sub-spatiotemporal graphs that are both related and different， and the different sub-spatiotemporal graphs were spliced to generate a static adaptive spatio-temporal graph， which describes the spatio-temporal correlation between different nodes in the road network from different dimensions. In addition， in order to better model the dynamic spatio-temporal relationship between different nodes， a new dynamic adaptive spatio-temporal synchronization graph construction method was designed， which can effectively describe the dynamic spatio-temporal relationship between different traffic nodes and reduce the computational complexity of the dynamic spatio-temporal graph. Finally， three public datasets derived from a real-world road network， were utilized for testing. The results of the experiments demonstrated that： when compared with nine baseline methods， including LSTM， DCRNN， STGCN， ASTGCN， GWN， STSGCN， STFGNN， STGODE， and S²TAT， the proposed method exhibited superior prediction accuracy. Specifically， on the PEMS08 dataset， in comparison with the optimal baseline method S²TAT， the proposed method achieved reductions of 8.65%， 9.25% and 6.04% in mean absolute error（MAE） e _MAE， mean absolute percentage error（MAPE） e _MAPE and root mean square error（RMSE） e _RMSE， respectively.

导出引用

叶宝林, 戴本岙, 苗永超, 等. 基于自适应时空同步建模的交通流预测[J]. 计量学报. 2025, 46(6): 802-812 https://doi.org/10.3969/j.issn.1000-1158.2025.06.04

YE Baolin, DAI Benao, MIAO Yongchao, et al. Adaptive Spatio⁃temporal Synchronous Modeling Based Traffic Flow Prediction[J]. Acta Metrologica Sinica. 2025, 46(6): 802-812 https://doi.org/10.3969/j.issn.1000-1158.2025.06.04

中图分类号： TB973 TB96

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

1	YE B L， WU P， LI L， et al. Uniformity of markov elements in deep reinforcement learning for traffic signal control［J］. Electronic Research Archive， 2024， 32（6）： 3843-3866. 本文引用 [1]

2	YE B L， WU W， RUAN K， et al. A survey of model predictive control methods for traffic signal control［J］. IEEE/CAA Journal of Automatica Sinica， 2019， 6（3）： 623-640.

3	吴鹏，叶宝林，吴维敏，等. 基于改进混沌粒子群算法的交通信号控制［J］. 计量学报， 2024， 45（12）： 1876-1884. WU P， YE B L， WU W M， et al. Traffic Signal Control Based on Improved Chaotic Particle Swarm Algorithm［J］. Acta Metrologica Sinica， 2024， 45（12）： 1876-1884. 本文引用 [1]

4	ZHAO L， ZHOU Y， LU H， et al. Parallel computing method of deep belief networks and its application to traffic flow prediction［J］. Knowledge-Based Systems， 2019， 163： 972-987. 本文引用 [1]

5	LU S， ZHANG Q， CHEN G， et al. A combined method for short-term traffic flow prediction based on recurrent neural network［J］. Alexandria Engineering Journal， 2021， 60（1）： 87-94. 本文引用 [1]

6	YE B L， ZHANG M， LI L， et al. A Survey of Traffic Flow Prediction Methods Based on Long Short-Term Memory Networks［J］. IEEE Intelligent Transportation Systems Magazine， 2024，16（5）：87-112. 本文引用 [2]

7	荣斌，武志昊，刘晓辉，等. 基于时空多图卷积网络的交通站点流量预测［J］. 计算机工程， 2020， 46（5）： 26-33. RONG B， WU Z H， LIU X H， et al. Flow Prediction of Traffic Stations Based on Spatio-Temporal Multi-Graph Convolutional Network［J］. Computer Engineering， 2020， 46（5）： 26-33. 本文引用 [1]

8	叶宝林，戴本岙，张鸣剑，等. 基于图卷积网络的交通流预测方法综述［J］. 南京信息工程大学学报， 2024， 16（3）： 291-310. YE B L， DAI B A， ZHANG M J， et al. A survey of traffic flow prediction based on graph convolutional networks［J］. Journal of Nanjing University of Information Science & Technology，2024，16（3）：291-310. 本文引用 [1]

9	闫旭，范晓亮，郑传潘，等. 基于图卷积神经网络的城市交通态势预测算法［J］. 浙江大学学报（工学版）， 2020， 54（6）： 1147-1155. YAN X， FAN X L， ZHENG C P， et al. Urban traffic flow prediction algorithm based on graph convolutional neural networks ［J］. Journal of ZheJiang University：Engineering Science， 2020， 54（6）： 1147–1155. 本文引用 [1]

10	WANG Y， JING C， XU S， et al. Attention based spatiotemporal graph attention networks for traffic flow forecasting［J］. Information Sciences， 2022， 607： 869-883. 本文引用 [1]

11	LI Y， YU R， SHAHABI C， et al. Diffusion convolutional recurrent neural network： Data-driven traffic forecasting［J］. arxiv： 1707.01926， 2017. 本文引用 [2]

12	YU B， YIN H， ZHU Z. Spatio-temporal graph convolute-onal networks： A deep learning framework for trafficc forecasting［J］. arxiv： 1709.04875， 2017. 本文引用 [2]

13	GUO S， LIN Y， FENG N， et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting［C］//Proceedings of the AAAI Conference on Artificial Intelligence （AAAI 2019）， Honolulu， USA. 2019： 922-929. 本文引用 [2]

14	ZHAO L， SONG Y， ZHANG C， et al. T-GCN： A temporal graph convolutional network for traffic prediction［J］. IEEE transactions on intelligent transportation systems， 2019， 21（9）： 3848-3858. 本文引用 [1]

15	WU Z， PAN S， LONG G， et al. Graph wavenet for deep spatial-temporal graph modeling［J］. arxiv：1906.00121， 2019. 本文引用 [2]

16	SONG C， LIN Y， GUO B， et al. Spatial-temporal synchronous graph convolutional networks： A new framework for spatial-temporal network data forecasting［C］//Proceedings of the AAAI Conference on Artificial Intelligence （AAAI 2020. YorkNew， USA. 2020： 914-921. 本文引用 [4]

17	LI M， ZHU Z. Spatial-temporal fusion graph neural networks for traffic flow forecasting［C］//Proceedings of the AAAI Conference on Artificial Intelligence （AAAI 2021.Vancouver， Canada. 2021： 4189-4196. 本文引用 [2]

18	JIN G， LI F， ZHANG J， et al. Automated dilated spatio-temporal synchronous graph modeling for traffic prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 24（8）： 8820-8830. 本文引用 [1]

19	FANG Z， LONG Q， SONG G， et al. Spatial-temporal graph ode networks for traffic flow forecasting［C］//Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining （KDD 2021. Singapore. 2021： 364-373. 本文引用 [1]

20	WANG T， CHEN J， LU J， et al. Synchronous spatiotemporal graph transformer： A new framework for traffic data prediction［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 34（12）： 10589-10599. 本文引用 [1]