用于交通数据预测的深度时空3维卷积神经网络 (Deep Spatial–Temporal 3D Convolutional Neural Ne...

在智能交通系统中，可靠的交通预测具有重要的意义，可以帮助决策者制定更好的管理策略，也可以帮助人们调整出行计划。但是，交通预测中存在一些挑战：

• 空间相关性：相邻区域的交通数据具有一定的相关性
• 时间相关性：相邻时间的交通数据具有一定的相关性
• 异质性：不同地区和时间相关性的贡献并不相同

本文提出了一种基于深度学习的时空交通预测网络，ST-3DNet，用来解决时空网格数据预测问题。ST-3DNet结合了3维卷积和残差单元，提出了一种再校准模块来描述空间维度上相关性的不同贡献，并结合局部和长期的时间模式来达到较好的效果。

图1 ST-3DNet

本文在交通栅格化数据上进行预测。在栅格化数据中，交通观测值在固定的地点以固定的时间间隔进行记录，可以表示为X _t ∈R ^C×I×J ，(X _t ) _{c, i, j} =x _t ^{c, i, j} 。其中t表示时间间隔，I×J为空间上划分的网格，C为交通数据的不同记录值（比如拥堵状况、人流量）。这样，交通预测问题可以表示为：已知历史数据{X _t | t=0, 1, …, n}，预测未来的X _n+Δt 。

图2 交通栅格化数据

ST-3DNet使用了3维卷积。在交通数据中，时间和空间可能具有较强的相关性，比如，某路段的拥堵可能在一段时间后传播到下一路段。2维卷积会将输入数据的第三维度加和，因此在这一情况下，时间维度的信息会丢失。与之相比，3维卷积在第三维度也会进行卷积操作，因此可以较好地保留时间维度上的信息，同时提取空间和时间维度上的特征。

图3 3维卷积

同时，本文观察到，在空间上，时空相关性对未来的结果具有不同的贡献。考虑到这种异质性，本文提出了一种 再校准模块，在空间上，将其他维度的值进行加权求和，并用此结果进行预测。

图4 再校准模块

此外，交通数据在较长的时间段中可能具有周期性。考虑到这一特性，本文在ST-3DNet中使用了两个组件，一个接受局部相邻的数据（比如以6分钟为间隔），一个接受较长的周期数据（比如以一周为时间周期），并融合这两部分的结果，得到更为准确的预测。

图5 交通数据的周期性

在交通拥堵数据集TrafficBJ以及人群流动数据集TaxiBJ和BikeNYC，ST-3DNet取得了较好的效果。

图6 TrafficBJ测试结果

图7 TrafficBJ在较长时间下的测试结果

图8 TaxiBJ和BikeNYC的测试结果

本文提出了一种3维卷积的时空网络，可以较好地预测未来的交通数据，同时具有较好的普遍性，可以应用到更多的场景中。

参考文献：

[1] S. Guo, Y. Lin, S. Li, Z. Chen and H. Wan, “Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting,” in IEEE Transactions on Intelligent Transportation Systems , 2019, 1-14.