基于可解释性图神经网络的短时交通流预测方法研究.pdfVIP

重庆师范大学硕士学位论文中文摘要

基于可解释性图神经网络的短时交通流预测方法研究

摘要

近年来，伴随着我国智能交通系统的不断发展，交通管理系统作为智能交通系

统中重要的一部分也引起了广泛的关注，其中有效的交通预测为交通管理带来了极

大的便利。但是由于交通数据具有高维度、时空依赖性以及包括交通事故等突发情

况的特点，如何基于数据驱动的方法进行合理的交通流预测，提高交通预测的准确

性仍然具有很重要的研究意义。

为了解决交通预测问题，许多学者和企业从不同研究角度也提出了一些交通预

测方法。交通预测呈复杂的时空相关性，而图神经网络的发展，为提取交通网路的

空间特征提供了新的方向。因此本文主要研究如何基于现有方法改进，进一步提高

交通预测的准确性，主要研究内容如下：

第三章图神经网络的可解释性研究。为了改进图卷积神经网络，提高交通预测

问题中提取空间特征的性能，从理论方面研究了图神经网络各模型之间的区别。首

先在统一的优化框架的基础上，设计了不同的卷积核得到三个具体的优化问题，然

后求解这些问题得到三个经典的图神经网络的消息传播机制，最终结果表明其区别

在于图卷积核。

第四章提出了一个新的交通流预测框架—–WGCRU。首先，图卷积神经网络的

卷积核是邻接矩阵，于是根据实际情况提出了一种基于斯皮尔曼相关性的邻接矩阵

构造法，加入到图卷积神经网络上，定义为可解释性图神经网络，分别使用GRU

和可解释性图神经网络进行时空特征提取。然后进一步融合特征，以更好的得到输

出表示，分别加入时空自注意力机制，得到两个模块SGCRU与TGCRU，将其组

合起来构成时空特征融合块。将时空特征融合块作为解码器和编码器的每一层，在

解码器和编码器之间加一个转换层，最终得到整体框架。实验结果表明本文提出的

预测框架的有效性，并且就短中期预测优于其他模型。

关键词：图神经网络，交通流预测，可解释性，注意力机制，门控循环单元

I

重庆师范大学硕士学位论文英文摘要

Researchonshort-termtracflowpredictionmethod

basedoninterpretabilitygraphneuralnetworks

ABSTRACT

Inrecentyears,alongwiththecontinuousdevelopmentofintelligent

transportationsysteminChina,tracmanagementsystemasanimportantpartof

intelligenttransportationsystemhasalsoattractedwideattention,inwhiche↵ective

tracpredictionbringsgreatconveniencetotracmanagement.However,dueto

thecharacteristicsoftracdatawithhighdimensionality,spatialandtemporal

dependence,andincludingtracaccidentsandotheremergencies,howtoconduct

reasonabletracflowpredictionbasedondata-drivenmethodstoimprovethe

accuracyoftracpredictionisstillofgreatresearchsignificance