时空网络中的动态交通流图预测与实时分布式抽象轨迹聚类

### 时空网络中的动态交通流图预测与实时分布式抽象轨迹聚类 在当今的智能交通和城市规划领域，准确预测交通流以及高效处理轨迹数据至关重要。本文将介绍两种相关的技术方法，一种是用于动态交通流图预测的时空网络模型，另一种是实时分布式抽象轨迹聚类算法。 #### 动态交通流图预测 在动态交通流图预测方面，我们提出了一种名为 STN 的时空网络模型。该模型旨在解决动态加权链接预测问题，以预测交通流量。 ##### 模型结构 - **Skip - LSTM 结构**：与传统的 LSTM 网络不同，Skip - LSTM 将输入 $x_t$ 和 LSTM 单元隐藏层的输出 $h_t$ 连接起来，作为最终隐藏层的输出，然后传递给下一个 LSTM 单元。同时，使用 LayerNorm 对 Skip - LSTM 的输出进行归一化。假设 Skip - LSTM 的输出为 $G_T'$，我们将 $G'$ 和 $G_T'$ 连接（称为第二阶段跳跃），并将其传递给全连接层以创建最终表示 $G_{ST}'$。 - **时空块传播规则**： - $G' = LayerNorm(GCN(G, X))$ - $G_T' = LayerNorm(Skip - LSTM(G||G'))$ - $G_{ST}' = FC(G'||G_T')$ 其中，$||$ 表示连接操作。 - **融合块**：相邻区域之间的交通流量通常大于非相邻区域之间的交通流量。交通流的空间特性受动态拓扑结构和静态拓扑结构的影响程度不同。因此，我们使用基于参数矩阵的融合方法来融合两个 ST 块。假设动态 ST 块的输出为 $G_{t + 1}^d$，静态 ST 块的输出为 $G_{t + 1}^s$，融合方法定义为： $G_{t + 1} = W_d ◦ G_{t + 1}^d + W_s ◦ G_{t + 1}^s$ 其中，$◦$ 是 Hadamard 积，$W_d$ 和 $W_s$ 是可学习的参数，分别调整受动态和静态空间相关性影响的程度。 ##### 实验设置 - **数据集**：使用两个真实世界的出租车数据集进行比较实验，分别是 TaxiXM（2014 年 7 月 1 日至 31 日厦门的出租车 GPS 数据）和 TaxiCD（2016 年 10 月 1 日至 11 月 30 日成都的出租车 GPS 数据）。实验中，将厦门划分为 32 个区域，成都划分为 16 个区域，每个区域平均面积约为 4 $km^2$，并将一天分为 72 个时隙，每个时隙为 20 分钟。使用 Min - Max 归一化对输入数据进行归一化处理，80% 的数据用于训练，20% 用于测试。 | 数据集 | 数据类型 | 位置 | 面积 | 时间跨度 | 时间间隔 | 总时隙数 | 区域数量 | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | TaxiXM | 出租车 GPS | 厦门 | 132.5 $km^2$ | 2014 年 7 月 1 日 - 2014 年 7 月 31 日 | 20 分钟 | 2232 | 32 | | TaxiCD | 出租车 GPS | 成都 | 65 $km^2$ | 2016 年 10 月 1 日 - 2016 年 11 月 30 日 | 20 分钟 | 4392 | 16 | - **超参数**：任务是学习一个函数 $f : [G(t - t'+1:t), X(t - t'+1:t), A] → [G_{t + 1}]$，以根据先前的 $t'$ 个交通流图预测下一个时隙的交通流图。在实验中，设置 $t' = 6$（在 $t'$ 从 3 到 12 的范围内选择最佳结果）。基于 PyTorch 1.5.1 实现 STN 模型，图卷积核设置为 64，LSTM 单元设置为 256。训练阶段，批量大小设置为 64，学习率设置为 0.001。 - **评估指标**：使用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）来评估模型性能。 - $RMSE = \sqrt{\frac{1}{n} \sum_{i = 1}^{n} \frac{(G_{t + 1}^i - \tilde{G}_{t + 1}^i)}{(|V| * |V|)}}$ - $MAE = \frac{1}{n} * |\sum_{i = 1}^{n} \frac{(G_{t + 1}^i - \tilde{G}_{t + 1}^i)}{(|V| * |V|)}|$ - $MAPE = 100\% * \frac{1}{n} * |\sum_{i = 1}^{n} \frac{(G_{t + 1}^i - \tilde{G}_{t + 1}^i)}{G_{t + 1}^i} / (