摘 要

我国当下正处于全面建成小康社会的决战时期，私家车作为国人心目中的一种象征，保有量不断增长。但是车辆的生产速度远远超过了道路扩展的速度，这就使得人们经常遇见如道路拥堵，交通事故等问题。如何能够减少甚至避免这样的社会不稳定因素是研究者们思索的一个课题。对当代智能交通进行流量预测，从而对道路交通提前进行引导，是我们能够想到的最简单也最实用的方法。

道路交通流量是一种随着时间，空间不断发生变化的庞大数据。对这样规模而且复杂的数据进行处理并且产生有效预测结果是一个艰巨的任务。原有的统计学方法不能够处理这样规模且复杂的动态数据。而深度学习是近几年热门研究方向，深度学习中目前流行着多种神经网络，图卷积神经网络是卷积神经的一个扩展，其特点是可以捕获图结构数据中的依赖关系。本文实现的一种基于注意力机制的卷积神经网络，就是在图卷积的基础上，结合了交通流数据的时空特点，添加相应的注意力机制，从而能够较为精准地预测了中短期内的交通流变化。

关键字：图卷积；注意力机制；交通预测

Abstract

China is currently in a period of decisive battle to build a well-off society in an all-round way. Private cars, as a symbol in the minds of the Chinese people, continue to grow. However, the production speed of vehicles far exceeds the speed of road expansion, which makes people often encounter problems such as road congestion and traffic accidents. How to reduce or even avoid such social instability factors is a topic that researchers think about. It is the simplest and most practical method we can think of to predict the flow of contemporary intelligent traffic and thus guide road traffic in advance.

Road traffic flow is a huge amount of data that changes continuously with time and space. It is a difficult task to process data of such scale and complexity and produce effective prediction results. The original statistical methods were not able to handle dynamic data of this scale and complexity. Deep learning has been a popular research direction in recent years. A variety of neural networks are currently popular in deep learning. Graph convolutional neural networks are an extension of convolutional neural networks. Their feature is that they can capture the dependencies in graph structure data. This paper implements a convolutional neural network based on attention mechanism, which is based on graph convolution, combined with the spatio-temporal characteristics of traffic flow data, and added corresponding attention mechanism, so that it can predict the medium and short term more accurately Traffic flow changes.

Key Words：Graph convolution; attention mechanism; traffic prediction

目 录

第1章 绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 1

1.3论文工作 2

1.4论文结构 2

第2章 基础工具知识 4

2.1交通流数据概念及特点 4

2.2机器学习 4

2.3深度学习 5

2.3.1卷积神经网络 7

2.3.2图卷积神经网络 8

2.4注意力机制 9

2.5 Mxnet框架 10

第3章 基于时空注意力机制的卷积预测模型 12

3.1时空注意力机制 12

3.1.1空间注意力机制 12

3.1.2时间注意力机制 14

3.2基于时空注意力机制的卷积神经网络 15

3.3多组件融合过程 16

3.4参数环境设置 18

3.4.1数据集 18

3.4.2数据预处理 19

3.4.3系统实现环境 19

3.4.4训练设置参数 19

第4章 分析与总结 20

4.1基于时空注意力机制的图卷积模型预测结果 20

4.2与流行方法的分析比较 21

4.3总结 24

4.3展望 24

参考文献 26

致谢 27

第1章 绪论

1.1研究背景及意义

近年来，随着我国国民生活水平的日益增高，机动车拥有量呈现着显著的上升趋势。据我国公安部交通局数据显示，截至2019年6月，全国机动车保有量达3.4亿辆，其中汽车2.5亿辆^[1]。虽然目前国家正在大力发展公共交通事业，但是私家车出行在中国人心中仍然是一种自由与小康生活的一种象征，所以国民对私家车的购买欲仍然高涨。与此同时，诸多问题如道路拥堵，交通事故，能源消耗等也在不断发生，这与开源节流的当代社会背景背道而驰。特别是在高速公路上，由于其具有着车辆驶行速度快，车道上不能与对路连接等特点，倘若发生了紧急交通事故，将造成重大道路安全风险。在当代智能交通发展的背景下，如果能够结合监测数据，尽可能准确地预测道路车辆数，交通管理部门就可以进行车辆调度，减小道路安全隐患。道路拥堵甚至成为了当代人生活压力的一个重要来源。如何减少甚至避免因为道路交通问题带给人们的不便与隐患成为了研究人员的重要问题。交通流量预测是非常具有挑战性的，因为交通流通常表现出高度的非线性和复杂的模式。而当今时代，人工智能，深度学习等计算机技术为人民的生活提供了诸多便利，将深度学习等人工智能技术运用到生产生活的各个领域已经可以解决一些传统方法无法解决的难题。并且，交通路网信息正在朝着智能化的方向发展。智能交通的第一要点就是可监控监管，目前由此推之，将深度学习技术应用到交通流预测方向，也是顺应时代潮流。另一方面讲，可预测就是可控，交通流预测能够使智能交通名副其实。

1.2国内外研究现状

深度学习模型从诞生到现在已经取得了很多令人惊叹的成果，例如人脸识别，文字识别以及语音识别。在过去的几年中，由于深度学习的发展，图像分类和目标检测能力显著提高，而卷积神经网络作为一种判别模型，极大地推进了图像分类，识别和理解技术的发展，在世界科技圈成绩卓著，盛誉非凡^[5]。卷积神经网络是当代深度学习模型的一大潮流模型，因为效果显著，获得了国内外研究者的追捧。

在交通流预测方面，随着深度学习的发展，国内外研究者突破了只依靠统计学方法进行交通流预测的瓶颈。已建立并且成绩显著的深度学习模型有：基于残差卷积单元的ST-ResNet模型，基于长短期记忆网络的交通预测方法，动态学习位置相似性的时空动态网络，多级注意力网络，基于时空注意力机制的图卷积网络。这些模型在智能交通预测方面都有着还不错的成绩。但是前几种预测网络模型有着共同的局限，如输入的数据集一定要是标准的图形图像数据，网络多组件融合过程无法确认最优组合，没有能够关注交通流在时间空间上的周期性依赖关系等等。而由北京交通大学提出的一种基于时空注意力机制的图卷积网络，较好的弥补了国内外研究者关于这方面的交通预测疏漏，建立了相对完善的网络模型结构，并且取得了突出的预测成绩。

1.3论文工作

基于深度学习，研究探索智能交通预测问题的解决办法。实现一种基于时空注意力机制的图卷积神经网络模型以预测中短期内交通流的状态。该模型可以直接在原始的基于图的流量网络上处理流量数据，并有效地捕获动态时空特征。系统的主要实现部件如下：