با توجه به تغییرات دوره ای و پویا جریان ترافیک و تعامل جفت مکانی – زمانی شبکه های جاده ای پیچیده، پیش بینی جریان ترافیک بسیار چالش برانگیز است و به ندرت نتایج پیش بینی رضایت بخشی را به همراه دارد. در این مقاله، ما یک روش جدید به نام شبکه کانولوشن گراف چند جزئی تقویت شده (AM-RGCN) برای پیش‌بینی جریان ترافیک با پرداختن به مشکلات بالا پیشنهاد می‌کنیم. ما ابتدا ماژول چند جزئی تقویت‌شده را به مدل پیش‌بینی ترافیک معرفی می‌کنیم تا با مشکل تغییر زمانی دوره‌ای در سری‌های ترافیک مقابله کنیم. سپس، ما یک معماری رمزگذار – رمزگشا برای پیش‌بینی مکانی – زمانی پیشنهاد می‌کنیم. به طور مشخص، ما یادگیرنده همبستگی زمانی (TCL) را پیشنهاد می‌کنیم که پیچیدگی یک بعدی را در LSTM برای استفاده از ویژگی‌های زمانی ذاتی جریان ترافیک ترکیب می‌کند. علاوه بر این، ما TCL را با شبکه کانولوشن گراف ترکیب می کنیم تا تعامل جفت مکانی – زمانی شبکه جاده را مدیریت کنیم. به طور مشابه، رمزگشا از TCL و شبکه‌های عصبی کانولوشن برای به دست آوردن نمایش‌هایی با ابعاد بالا از پیش‌بینی‌های چند مرحله‌ای بر اساس توالی‌های مکانی-زمانی تشکیل شده است. آزمایش‌های گسترده روی دو مجموعه داده ترافیک جاده‌ای در دنیای واقعی، PEMSD4 و PEMSD8، نشان می‌دهد که AM-RGCN ما بهترین نتایج را کسب می‌کند. رمزگشا از TCL و شبکه های عصبی کانولوشن برای به دست آوردن نمایش های با ابعاد بالا از پیش بینی های چند مرحله ای بر اساس توالی های مکانی-زمانی تشکیل شده است. آزمایش‌های گسترده روی دو مجموعه داده ترافیک جاده‌ای در دنیای واقعی، PEMSD4 و PEMSD8، نشان می‌دهد که AM-RGCN ما بهترین نتایج را کسب می‌کند. رمزگشا از TCL و شبکه های عصبی کانولوشن برای به دست آوردن نمایش های با ابعاد بالا از پیش بینی های چند مرحله ای بر اساس توالی های مکانی-زمانی تشکیل شده است. آزمایش‌های گسترده روی دو مجموعه داده ترافیک جاده‌ای در دنیای واقعی، PEMSD4 و PEMSD8، نشان می‌دهد که AM-RGCN ما بهترین نتایج را کسب می‌کند.

کلید واژه ها:

پیش بینی جریان ترافیک ; پیش بینی مکانی – زمانی گراف شبکه های کانولوشنال ; چند جزئی تقویت شده

1. مقدمه

پیش‌بینی جریان ترافیک نقش حیاتی در سیستم‌های حمل و نقل هوشمند (ITS) دارد [ 1 ]. با توجه به یک شبکه جاده‌ای، هدف پیش‌بینی جریان ترافیک پیش‌بینی روند جریان ترافیک در آینده نزدیک بر اساس داده‌های جریان تاریخی است. از آنجایی که تراکم ترافیک در حال تبدیل شدن به یک مشکل جدی در اکثر شهرها است، نحوه پیش بینی دقیق جریان ترافیک برای مدیریت حمل و نقل، حفاظت از محیط زیست و ایمنی عمومی اهمیت زیادی دارد.
پیش‌بینی جریان ترافیک یک مشکل مکانی-زمانی معمولی است که در آن هم ویژگی‌های مکانی و هم ویژگی‌های زمانی باید به طور کامل در نظر گرفته شوند. رویکردهای پیش‌بینی اولیه [ 2 ، 3 ] عمدتاً از مدل‌های آماری سنتی برای استخراج قوانین ضمنی پنهان در داده‌ها استفاده می‌کردند. با این حال، این مدل ها برای به تصویر کشیدن غیر خطی بودن سری ترافیک بسیار ساده هستند. برخلاف روش‌های آماری، رویکردهای کلاسیک مبتنی بر یادگیری ماشین [ 4 ، 5 ] قادر به یادگیری روابط پیچیده‌تر بودند، اما به مهندسی ویژگی‌های دقیق نیاز داشتند که می‌تواند برای انسان‌ها پرزحمت و خسته‌کننده باشد. با الهام از پیشرفت های یادگیری عمیق، برخی تلاش ها [ 6 ، 7] سعی کرد بر اساس شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی تکراری (RNN) پیش بینی کند. با این حال، CNN های کلاسیک نمی توانند از رابطه غیر اقلیدسی شبکه های جاده ای با ترافیک نامنظم به دلیل عملیات کانولوشنی منظم خود استفاده کنند. از این منظر، شبکه‌های کانولوشن گراف (GCN) برای پیش‌بینی جریان ترافیک با توجه به توانایی آن‌ها برای مقابله با داده‌های نمودار معرفی شده‌اند. علاوه بر این، برخی از کارهای تحقیقاتی [ 8 ، 9 ، 10 ، 11 ] GCN ها را با RNN و CNN ترکیب کردند تا به ترتیب ویژگی های مکانی و زمانی را ثبت کنند.
اگرچه پیشرفت‌های امیدوارکننده‌ای در پیش‌بینی جریان ترافیک انجام شده است، اما دستیابی به پیش‌بینی‌های بسیار دقیق هنوز بسیار چالش برانگیز است، عمدتاً به دو دلیل زیر: (الف) ویژگی‌های تغییرات زمانی دوره‌ای در جریان ترافیک در نظر گرفته نمی‌شوند و (ب) ) همبستگی های مکانی-زمانی به طور موثر ثبت نشده اند.
برای اولی، اکثر رویکردهای موجود [ 12 ، 13 ، 14 ، 15 ، 16 ، 17] فقط به تناوب جریان ترافیک بدون توجه به جابجایی زمانی دوره ای توجه کرد که منجر به ثبت غیر جامع ویژگی های زمانی شد. بنابراین، استحکام و دقت به دست آمده توسط این مدل ها نمی تواند انتظارات را برآورده کند. برای نشان دادن، تناوب سری ترافیک به دلیل عوامل مختلفی مانند آب و هوای پیچیده یا شرایط ترافیک در زمان واقعی، به جای ثابت، پویا است، اگرچه تناوب روزانه و تناوب هفتگی معمولاً به عنوان عوامل قوی در پیش‌بینی جریان ترافیک شناخته می‌شوند. یک مثال معمولی از تغییر زمانی دوره ای در شکل 1 نشان داده شده است (منبع داده: داده های جریان ترافیک دنیای واقعی دیدی از 31 اکتبر 2019 تا 30 نوامبر 2019 در پکن). ساعات اوج مصرف روزانه در شکل 1a معمولا بین ساعت 6:00 بعد از ظهر تا 7:00 بعد از ظهر هستند، اما بسته به اینکه یک روز کاری است و عوامل دیگری مانند آب و هوای غیرعادی و ازدحام ترافیک، می تواند از ساعت 5:00 بعد از ظهر تا 9:00 بعد از ظهر متغیر باشد. به طور مشابه، در شکل 1 ب، نوسان را می توان در اعداد هفتگی مشاهده کرد. بنابراین، برای روش‌های فعلی مقابله با موقعیت‌های پویا و پیچیده در شبکه‌های ترافیکی واقعی، تنها با مدل‌سازی مشخصه استاتیک تناوب، دشوار است.
برای دومی، داده‌های ترافیکی همبستگی‌های مکانی-زمانی را به شدت مرتبط کرده‌اند، اما مطالعات اخیر [ 9 ، 13 ، 18 ] وابستگی متقابل بین ویژگی‌های مکانی و ویژگی‌های زمانی در جریان ترافیک را در نظر نگرفته‌اند. آنها ماژول GCN را برای نمایش ویژگی‌های فضایی کل شبکه ترافیک در همان مرحله و ماژول CNN را برای پردازش ویژگی‌های زمانی هر جاده در مراحل زمانی مختلف اتخاذ کردند. این راه حل همبستگی های مکانی-زمانی را جدا می کند و منجر به از دست دادن برخی از عوامل ضمنی، مانند تأثیر هر جاده بر جاده های اطراف خود در مراحل زمانی مختلف می شود. بنابراین دقت پیش‌بینی مدل کمتر از حد انتظار است.
برای پرداختن به دو چالش فوق الذکر، ما یک چارچوب مبتنی بر یادگیری عمیق را پیشنهاد می‌کنیم : یک شبکه چندمولفه‌ای تقویت‌شده و جریان‌ساز شبکه‌ی N تکاملی .(AM-RGCN) برای پیش بینی جریان ترافیک. ما ابتدا یک ماژول چند جزئی تقویت شده برای ثبت تغییر زمانی دوره ای که در سری جریان ترافیک پدیدار می شود، ارائه می کنیم. سپس، ما یک معماری رمزگذار-رمزگشا را ارائه می‌کنیم که در آن رمزگذار به دنبال گرفتن همبستگی‌های مکانی-زمانی است و رمزگشا توانایی به دست آوردن نمایش‌های ابعادی بالا را از پیش‌بینی‌های چند مرحله‌ای بر اساس توالی‌های مکانی-زمانی دارد. در نهایت یک ماژول فیوژن برای تولید نتایج پیش‌بینی با ترکیب نمایش‌های با ابعاد بالا توسعه می‌یابد. به طور خلاصه، این مقاله مشارکت های زیر را ارائه می دهد:
  • ما یک ماژول چند جزئی تقویت‌شده را پیشنهاد می‌کنیم تا با افزودن نمایش‌های تغییر زمانی به نمایش‌های دوره‌ای، ویژگی‌های تغییر زمانی دوره‌ای در سری ترافیک را به تصویر بکشد.
  • ما یادگیرنده همبستگی زمانی (TCL) را پیشنهاد می‌کنیم که پیچیدگی یک‌بعدی را در LSTM ترکیب می‌کند و آن را با پیچیدگی نمودار در معماری رمزگذار-رمزگشا ترکیب می‌کند تا همبستگی‌های مکانی-زمانی در شبکه جاده را مدیریت کند.
  • آزمایش‌های گسترده روی دو مجموعه داده ترافیک دنیای واقعی، PEMSD4 و PEMSD8، تأیید می‌کند که AM-RGCN ما در مقایسه با رویکردهای موجود، به نتایج پیشرفته‌ای دست می‌یابد.
ادامه این مقاله به شرح زیر سازماندهی شده است. کارهای مربوط به پیش بینی جریان ترافیک در بخش 2 مورد بحث قرار گرفته است. بخش 3 رویکردهای پیشنهادی ما را با جزئیات معرفی می کند. در بخش 4 ، آزمایش‌های قابل مقایسه با AM-RGCN را روی مجموعه داده‌های ترافیک دنیای واقعی انجام می‌دهیم و نتایج را تجزیه و تحلیل می‌کنیم. در نهایت، نتایج این مطالعه در بخش 5 ارائه شده است.

2. کارهای مرتبط

2.1. پیش بینی جریان ترافیک

پیش بینی جریان ترافیک به طور گسترده در ITSs مورد تحقیق قرار گرفته است. رویکردهای موجود پیش‌بینی جریان ترافیک را می‌توان به طور عمده به رویکردهای سنتی و رویکردهای یادگیری عمیق تقسیم کرد. به طور خاص، رویکردهای سنتی را می توان بیشتر به دو دسته طبقه بندی کرد: مدل های پارامتری و ناپارامتریک [ 19 ]. مدل‌های پارامتریک، مانند رویکردهای مبتنی بر میانگین متحرک یکپارچه بازگشتی خودکار (ARIMA) [ 2 ] و رویکردهای مبتنی بر فیلتر کالمن (KF) [ 3 ]، از سری ترافیک تاریخی برای استخراج آماری قانون ضمنی در سری‌های زمانی استفاده می‌کنند. با این حال، این رویکردها برای دریافت غیرخطی بودن داده های ترافیکی بسیار ساده هستند. مدل‌های غیر پارامتریک، مانند رویکردهای مبتنی بر K-Nearest Neighbor (KNN) [ 5]، رویکردهای مبتنی بر رگرسیون برداری پشتیبانی (SVR) [ 4 ]، و رویکردهای مبتنی بر درخت رگرسیون تقویت‌شده با گرادیان (GBRT) [ 20 ]، از اصل به حداقل رساندن ریسک تجربی استفاده می‌کنند، که ممکن است از مشکل بیش از حد برازش رنج ببرد.
یادگیری عمیق در سال های اخیر دستاوردهای بزرگی داشته است. در نتیجه، بسیاری از محققان از رویکردهای یادگیری عمیق برای پیش‌بینی جریان ترافیک استفاده می‌کنند. برخی از تلاش‌ها [ 6 ، 21 ] از حافظه کوتاه‌مدت (LSTM) [ 22 ] و واحدهای بازگشتی دردار (GRUs) [ 23 ] برای پیش‌بینی جریان ترافیک استفاده کردند و به نتایج قابل‌توجهی دست یافتند. با این حال، این رویکردها عمدتاً ویژگی‌های سری‌های زمانی را در نظر می‌گیرند و از ویژگی‌های مکانی در شبکه‌های ترافیکی غفلت می‌کنند. به منظور رسیدگی به ویژگی های فضایی به طور همزمان، Ma و همکاران. [ 24 ] یک مدل عمیق CNN را پیشنهاد کرد که از یک ماتریس مکانی-زمانی دو بعدی برای گرفتن اطلاعات مکانی-زمانی استفاده می کند. یو و همکاران [ 25] از CNN برای به دست آوردن ویژگی های فضایی استفاده کرد و سپس LSTM را برای تجزیه و تحلیل سری های زمانی به کار برد. با این حال، رویکردهای مبتنی بر CNN عمدتاً ویژگی‌های فضای اقلیدسی را به جای فضای غیراقلیدسی استخراج می‌کنند. برای مقابله با مشکل، GCN ها [ 26 ] در پیش بینی جریان ترافیک معرفی می شوند. GCN های مکانی-زمانی (STGCNs) [ 9 ] و GCN های زمانی (T-GCNs) [ 27 ] هر دو از GCN ها برای به دست آوردن ویژگی های مکانی استفاده می کنند و سپس ویژگی های زمانی را از طریق CNN های تک بعدی یا GRU به طور جداگانه ضبط می کنند. این رویکردها عموماً بهتر از رویکردهای بدون GCN در پیش‌بینی عمل می‌کنند. سونگ و همکاران [ 28] GCN همزمان مکانی-زمانی (STSGCN) را برای به تصویر کشیدن ناهمگونی در شبکه های مکانی-زمانی پیشنهاد کرد و به یک نتیجه متمایز دست یافت. بای و همکاران [ 29 ] GCN ها را در GRU ها ادغام کرد تا روابط مکانی-زمانی را به طور همزمان ثبت کند. برخی از مطالعات [ 30 ، 31 ، 32 ] تلاش کردند مکانیسم توجه را برای حل آن معرفی کنند.
رویکردهای مبتنی بر GCN در بالا عمدتاً از داده‌های اخیر برای نمایش اطلاعات زمانی استفاده می‌کنند در حالی که تناوب در جریان ترافیک را نادیده می‌گیرند. روی و همکاران [ 14 ] GNN ترافیک مکانی-زمانی ساده شده (SST-GNN) را برای ثبت الگوهای ترافیک دوره ای با اتخاذ یک طرح رمزگذاری موقعیت جدید پیشنهاد کرد. چن و همکاران GCN جهت دار موقتی (T-DGCN) [ 15 ] را پیشنهاد کرد که از یک استراتژی رمزگذاری موقعیت جهانی جدید برای گرفتن وابستگی زمانی مانند تناوب روزانه استفاده می کند. او و همکاران [ 16شبکه‌های شبکه‌ای موازی فضایی-زمانی (STP-TrellisNets) را پیشنهاد کرد که از ماژول Periodicity TrellisNet (P-TrellisNet) برای ثبت تناوب در سری‌های ترافیک استفاده می‌کند. این مدل‌ها تناوب روزانه را در نظر گرفتند در حالی که تناوب هفتگی را نادیده گرفتند. اگرچه برخی از محققان STGCN چند جزء (MSTGCN) [ 13 ]، STGCN مبتنی بر توجه (ASTGCN) [ 18 ] و هندسه اطلاعات و GCN مبتنی بر توجه (IGAGCN) [ 17 ] را برای نمایش تناوب روزانه و هفتگی پیشنهاد کردند، آنها اثرات تغییر زمانی دوره ای را کنار گذاشت. یائو و همکاران [ 33] شبکه دینامیکی مکانی-زمانی (STDN) را برای جابجایی زمانی دوره‌ای پیشنهاد کرد که از یک شبکه LSTM با مکانیزم توجه برای ثبت وابستگی‌های بلندمدت و کوتاه‌مدت در سری‌های ترافیک استفاده می‌کرد. با این حال، این مدل در فضای اقلیدسی مستقر شده است و بر پرداختن به تغییر در تناوب روزانه تمرکز دارد. علاوه بر این، بیشتر رویکردهای ذکر شده در بالا، مدل‌های مختلفی را برای ثبت ویژگی‌های مکانی و زمانی به طور جداگانه اتخاذ می‌کنند. بر این اساس، آنها در به دست آوردن همبستگی های مکانی – زمانی به طور موثر شکست می خورند.

2.2. شبکه های پیچیدگی نمودار

رویکردهای سنتی [ 24 ، 25 ] عمدتاً شبکه ترافیک را به شبکه‌ها تقسیم کردند و از CNN برای گرفتن ویژگی‌های فضایی استفاده کردند که اتصال توپولوژیکی شبکه‌های ترافیکی را نادیده می‌گرفت. روش‌های کانولوشن گراف می‌توانند داده‌های ساختار یافته نمودار را با جمع‌آوری اطلاعات همسایگان، که رویکردهای مؤثری برای استخراج روابط توپولوژیکی فضایی پیچیده در شبکه‌های ترافیکی هستند، مدیریت کنند.
شبکه های کانولوشن گراف به دو دسته تقسیم می شوند، مبتنی بر طیف و مبتنی بر فضایی. رویکردهای مبتنی بر فضایی مستقیماً عملیات کانولوشن را روی گره‌های گراف انجام می‌دهند. GraphSAGE [ 34 ] یک تابع تجمع را برای تعریف پیچیدگی نمودار معرفی کرد. شبکه توجه گراف (GAT) [ 35 ] از لایه های توجه برای تنظیم اهمیت هر گره در هنگام اعمال توابع تجمع بهره برداری کرد. رویکردهای مبتنی بر طیف [ 26 ، 36 ، 37 ] از یک ماتریس لاپلاسی برای انجام عملیات کانولوشن روی نمودارها در حوزه فوریه استفاده می کنند. با توجه به انتخاب هسته های کانولوشن، رویکردهای مبتنی بر طیف عمدتاً شامل ChebNet [ 37 ] و GCN [ 26 ] است.]. GCN ها از تقریب مرتبه اول ChebNet استفاده می کنند تا پارامترهای پیچیدگی نمودار را بسیار ساده کنند. با انباشتن چندین لایه GCN، محدوده همسایگی پذیرای GCN ها را می توان افزایش داد.

3. مقدمات

با توجه به داده های جریان ترافیک تاریخی ثبت شده توسط حسگرها در شبکه ترافیک و نمودار توپولوژیکی حسگرهای مربوطه، هدف از پیش بینی جریان ترافیک پیش بینی جریان ترافیک آینده در شبکه های جاده ای است.
در این مطالعه، ما شبکه جاده ترافیک را به عنوان یک نمودار غیر جهت دار تعریف می کنیم G = ( V، ای، الف )، که در آن V مجموعه ای محدود از | V| = نگره هایی که حسگرها را نشان می دهند. E مجموعه ای از لبه هایی است که سنسورهای مختلف را به هم متصل می کند. A∈ _آرن* نماتریس مجاورت نمودار G است که نشان دهنده اتصال کل شبکه راه است. ماتریس مجاورت فقط شامل عناصر 0 و 1 است. اگر دو حسگر مستقیماً در یک جاده مجاور باشند، عنصر 1 است، در غیر این صورت عنصر 0 است. جریان ترافیک مشاهده شده در G در زمان t به عنوان یک سیگنال نمودار نشان داده می شود. ایکستی∈آرن* اف، که در آن F بعد ویژگی هر گره است. داده های جریان ترافیک تاریخی در زمان t را می توان به صورت تعریف کرد ایکس= (ایکسt – H+ 1،ایکسt – H+ 2, … ,ایکستی) ∈آراچ* ن* اف، که در آن H طول داده های مشاهده تاریخی است. پیش بینی جریان ترافیک به صورت نشان داده می شود Y= (ایکسt + 1،ایکسt + 2, … ,ایکسt + P) ∈آرپ* ن* اف، P طول داده های پیش بینی است. هدف پیش بینی جریان ترافیک یادگیری یک مدل است ϕکه می تواند به دقت سیگنال های نمودار P آینده را با توجه به سیگنال های نمودار H تاریخی کل شبکه جاده پیش بینی کند: ( X; G )-→-ϕY.

4. روش شناسی

ما یک چارچوب کلی به نام AM-RGCN برای رسیدگی به مشکل تغییر زمانی دوره ای و بهره برداری از همبستگی های مکانی-زمانی پیشنهاد می کنیم. همانطور که در شکل 2 نشان داده شده است ، AM-RGCN پیشنهادی عمدتاً از سه ماژول تشکیل شده است: (1) یک ماژول چند جزئی تقویت شده که قصد دارد ویژگی های تناوب و تغییر زمانی دوره ای را به طور همزمان ثبت کند. (2) یک ماژول رمزگذار که هدف آن مشخص کردن همبستگی های مکانی-زمانی در داده های جریان ترافیک است. (3) یک ماژول رمزگشا که پیش بینی های چند مرحله ای را از توالی های مکانی-زمانی انجام می دهد.

4.1. ماژول چند جزئی تقویت شده برای تغییر زمانی دوره ای

ایده چند جزئی توسط Guo و همکاران معرفی شد. [ 18 ]. ماژول چند جزیی پیشنهادی مولفه اخیر، جزء تناوب روزانه و جزء تناوب هفتگی داده‌های جریان ترافیک را در بر می‌گیرد. همانطور که در شکل 3 الف نشان داده شده است، تیپو تیجبه ترتیب به پنجره پیش بینی (از ساعت 17 تا 6 بعد از ظهر روز پنجشنبه) و زمان فعلی مراجعه کنید. تیساعت، تید، و تیwتعداد مراحل زمانی سه جزء فوق به ترتیب داده های جریان ترافیک را در مقیاس های زمانی مختلف توصیف می کنند. به طور مشخص، تیساعت=نساعت*تیپ، جایی که نساعت∈ن+نشان دهنده استفاده از سری ترافیک از گذشته است نساعتساعت ها). تید=ند*تیپ، جایی که ند∈ن+به معنای استفاده از جریان ترافیک همان بازه زمانی (از ساعت 17:00 تا 18:00) در گذشته است. ندروزها). تیw=نw*تیپ، جایی که نw∈ن+نشان دهنده استفاده از سوابق ترافیکی همان بازه زمانی (از ساعت 17:00 تا 18:00) در گذشته است. نwپنجشنبه(های)

چند مولفه افزوده، جزء افزوده شده روزانه و جزء افزوده شده هفتگی را برای شیفت روزانه و شیفت هفتگی معرفی می کند. همانطور که در شکل 3 ب نشان داده شده است، تیدسو تیw sطول مولفه افزوده شده روزانه و هفتگی به طور جداگانه است. S نشان دهنده افست دوره ای است که نشان می دهد یک جابجایی دوره وجود دارد اس*تیپمراحل زمانی قبل و بعد از تناوب روزانه و هفتگی. به طور خاص، رابطه بین چند جزئی و چند جزئی تقویت شده را می توان به صورت معادله ( 1 ) بیان کرد:

تیدستیw s=تید* ( 2 * S+ 1 ) =ند*تیپ* ( 2 * S+ 1 ) ،=تیw* ( 2 * S+ 1 ) =نw*تیپ* ( 2 * S+ 1 ) .
فرکانس نمونه برداری از سری ترافیک به صورت f بار در روز تعریف می شود، سپس جزئیات چند جزئی تقویت شده به شرح زیر است:
(1)
جزء اخیر

همانطور که در شکل 3 ب نشان داده شده است، مولفه اخیر قسمت طلایی است که نشان دهنده سری های زمانی است که نزدیک ترین آنها به دنباله پیش بینی است. با توجه به تداوم جریان ترافیک، ما استدلال می کنیم که همبستگی های قوی در لحظات اخیر وجود دارد. بیان مولفه اخیر به شرح زیر است:

ایکسساعت= (ایکستیج–تیساعت+ 1،ایکستیج–تیساعت+ 2, … ,ایکستیج) ∈آرتیساعت* ن* اف،

که در آن N تعداد گره ها در شبکه راه ها را نشان می دهد، F بعد نمایش هر گره است و ایکستیمخفف جریان ترافیک در زمان t است.

(2)
جزء افزوده شده روزانه

همانطور که در شکل 3 ب نشان داده شده است، مولفه روزانه قسمت سبز رنگ است که داده ها را در همان دوره زمانی پنجره پیش بینی در چند روز گذشته نشان می دهد. تاثیر تغییر دوره ای ناشی از آب و هوای غیرعادی، تراکم ترافیک و سایر عوامل در جریان ترافیک است. در نتیجه، سری های افست را که به همان طول توالی های پیش بینی است، قبل و بعد از مولفه های روزانه اضافه می کنیم تا جزء افزوده شده روزانه را تشکیل دهیم. مولفه را می توان به صورت زیر بیان کرد و نتیجه را با معادله ( 1 ) ساده می کنیم:

ایکسدس= (ایکستیج–ند* f– اس*تیپ+ 1, … ,ایکستیج–ند* f+ اس*تیپ+تیپ،ایکستیج– (ند− 1 ) * f– اس*تیپ+ 1, … ,ایکستیج– (ند− 1 ) * f+ اس*تیپ+تیپ،… ،ایکستیج– f– اس*تیپ+ 1, … ,ایکستیج– f+ اس*تیپ+تیپ) ∈آرتیدس* ن* اف.
فرض کنید گام زمانی 5 دقیقه است و می خواهیم جریان ترافیک ساعت بعدی را پیش بینی کنیم ( تیپ= 12) از ساعت 17:00 تا 18:00 روز پنجشنبه. f= 288فرکانس نمونه برداری یک روز است. اجازه دهید اس= 1و تید= 24، سپس ند= 2. معادله ( 3 ) به این معنی است که ما از جریان ترافیک از ساعت 4:00 بعد از ظهر تا 7:00 بعد از ظهر در آخرین سه شنبه و چهارشنبه استفاده می کنیم. برای مثال، (ایکستیج–ند* f– اس*تیپ+ 1, … ,ایکستیج–ند* f+ اس*تیپ+تیپ)را می توان به عنوان جریان ترافیک از ساعت 16:00 تا 19:00 در سه شنبه اخیر در نظر گرفت. (ایکستیج– (ند− 1 ) * f– اس*تیپ+ 1, … ,ایکستیج– (ند− 1 ) * f+ اس*تیپ+تیپ)جریان ترافیک از ساعت 16:00 تا 7:00 بعد از ظهر در آخرین چهارشنبه است.
(3)
جزء افزوده شده هفتگی

همانطور که در شکل 3 ب نشان داده شده است، مولفه هفتگی قسمت قرمز رنگ است که داده ها را در همان دوره زمانی پنجره پیش بینی در چند هفته گذشته نشان می دهد. ما یک سری افست را که به همان طول دنباله پیش بینی است، قبل و بعد از مؤلفه هفتگی اضافه می کنیم تا مؤلفه تقویت شده هفتگی را تشکیل دهیم. به طور مشابه، می توان آن را به صورت زیر بیان کرد:

ایکسw s= (ایکستیج–نw* f* 7- S _*تیپ+ 1, … ,ایکستیج–نw* f* 7 + اس*تیپ+تیپ،ایکستیج– (نw− 1 ) * f* 7- S _*تیپ+ 1, … ,ایکستیج– (نw− 1 ) * f* 7 + اس*تیپ+تیپ،… ،ایکستیج– f* 7- S _*تیپ+ 1, … ,ایکستیج– f* 7 + اس*تیپ+تیپ) ∈آرتیw s* ن* اف.
فرض کنید که تنظیمات مشابهی را داریم که در مولفه روزانه افزوده شده است. اجازه دهید اس= 1و تیw= 24، سپس نw= 2. معادله ( 4 ) نشان می دهد که ما سوابق ترافیکی 4:00 بعد از ظهر تا 7:00 بعد از ظهر از دو پنجشنبه گذشته را اتخاذ می کنیم. بر این اساس، (ایکستیج–نw* f* 7- S _*تیپ+ 1, … ,ایکستیج–نw* f* 7 + اس*تیپ+تیپ)را می توان به عنوان جریان ترافیک از ساعت 4:00 بعد از ظهر تا 7:00 بعد از ظهر پنجشنبه دو هفته پیش در نظر گرفت. (ایکستیج– (نw− 1 ) * f* 7- S _*تیپ+ 1, … ,ایکستیج– (نw− 1 ) * f* 7 + اس*تیپ+تیپ)جریان ترافیک از ساعت 16:00 تا 7:00 بعد از ظهر پنجشنبه گذشته است.
سه مولفه فوق به طور مشترک ماژول چند جزئی تقویت شده را تشکیل می دهند که تناوب و تغییر زمانی دوره ای در پیش بینی ترافیک را در نظر می گیرد. اجازه دهید تی=تیساعت+تیدس+تیw sطول ماژول چند جزئی تقویت شده و داده های ورودی باشد ایکسیک متر= (ایکسساعت،ایکسدس،ایکسw s) ∈آرتی* ن* افبه معماری رمزگذار – رمزگشا منتقل می شوند.

4.2. رمزگذار برای همبستگی های مکانی-زمانی

ماژول رمزگذار برای بهره برداری از همبستگی های مکانی-زمانی طراحی شده است. همانطور که در شکل 2 نشان داده شده است، از یک GCN و TCL تشکیل شده است، که هر دو برای یادگیری نمایش های مکانی-زمانی از سری های چند جزئی تقویت شده استفاده می شوند.

4.2.1. پیچیدگی نمودار در بعد فضایی

همانطور که در شکل 4 الف نشان داده شده است، شبکه ترافیک یک ساختار نمودار معمولی است و جریان ترافیک همسایگان هر حسگر برای پیش بینی ضروری است. ما یک GCN را برای گرفتن روابط توپولوژیکی فضایی انتخاب می کنیم. همانطور که به طور خلاصه در شکل 4 ب نشان داده شده است، مدل GCN می تواند رابطه توپولوژیکی بین سنسور مرکزی و حسگرهای مرتبه اول اطراف آن را بدست آورد و ویژگی های جریان ترافیک را در شبکه جاسازی کند. مدل GCN دو لایه را می توان به صورت زیر بیان کرد:

f(ایکستی, A ) = ReLU (آˆ(آˆایکستیدبلیو0)دبلیو1) ،

جایی که ایکستی∈آرن* افنشان دهنده ویژگی های شبکه راه در هر برش زمانی است t ∈ { 1 , … , T}; آˆ=D˜–12آ˜D˜–12∈آرن* ننشان دهنده ترفند عادی سازی مجدد است. آ˜= A + I∈آرن* نبه معنای افزودن یک حلقه خود به ماتریس مجاورت است. D˜=∑jآ˜من ج∈آرن* ن،دبلیو0∈آراف* اچو دبلیو1∈آراچ* سیماتریس پارامتر از بعد ویژگی ورودی F تا بعد مشخصه خروجی H و C را به طور جداگانه نشان می دهد. ReLUتابع فعال سازی است.

برای استفاده کامل از اطلاعات توپولوژیکی، از یک GCN با وزن مشترک دو لایه برای ثبت ویژگی‌های فضایی شبکه ترافیک در هر برش زمانی استفاده می‌کنیم.
4.2.2. یادگیرنده همبستگی زمانی (TCL) در بعد زمانی
داده‌های جریان ترافیک عمدتاً ورودی سه‌بعدی گره‌ها، توالی‌ها و ویژگی‌ها هستند. در بخش قبلی، ما از GCN ها برای نشان دادن همبستگی های فضایی متقابل بین همه حسگرها در امتداد بعد گره استفاده کردیم. در بلوک‌های TCL، ابتدا پیچیدگی یک بعدی را اضافه می‌کنیم تا مشخصه داخلی هر حسگر را در بعد ویژگی یکپارچه کنیم، و سپس LSTM را در بعد توالی برای ویژگی‌های زمانی اتخاذ می‌کنیم. TCL پیشنهادی ما تا حدی از Convolutional LSTM (ConvLSTM) [ 38 ] الهام گرفته شده است. همانطور که در شکل 5 نشان داده شده است ، ما نمایش های فضایی استخراج شده از GCN ها در هر لحظه را به صورت جیتی∈آرن* سی. TCL ابتدا از پیچیدگی یک بعدی برای ادغام ویژگی فضایی هر سنسور بر اساس حالت پنهان قبلی استفاده می کند. اچt – 1∈آرن* اچو جیتی، سپس آن را همراه با وضعیت حافظه سلول قبلی به LSTM می فرستد سیt – 1∈آرن* اچبرای یادگیری ویژگی های زمانی، که در آن H اندازه پنهان است. به طور خاص، قبل از آمدن اولین ورودی، تمام حالت‌های LSTM را صفر می‌کنیم. در طول فرآیند آموزش، قبل از اعمال عملیات کانولوشن، به حالت‌های پنهان، لایه صفر اضافه می‌کنیم. اندازه هسته و اندازه بالشتک کانولوشن یک بعدی به صورت جداگانه 3 و 1 است.

برای اطمینان از اینکه ویژگی های مکانی و زمانی را می توان به طور همزمان یاد گرفت، ویژگی های مکانی را وارد می کنیم. جیتیبه عنوان منبع TCL در هر لحظه از سری جریان ترافیک، که به مدل کمک می کند تا همبستگی های مکانی – زمانی را بیاموزد. بنابراین، در مرحله زمانی t ، فرآیند محاسبات TCL پیشنهادی را می توان به صورت زیر ساده کرد:

اچتی،سیتی= TCL (جیتی;اچt – 1;سیt – 1) ،

جایی که t ∈ { 1 , … , T}. عبور می کنیم جیتیوارد TCL شده و وضعیت حافظه سلولی را به روز کنید سیتیبا استفاده از گیت ورودی منتی، دروازه فراموشی افتیو حالت پنهان قبلی اچt – 1. در نهایت از گیت خروجی استفاده می کنیم Oتیبرای به روز رسانی وضعیت پنهان فعلی اچتی. می‌توانیم فرآیند محاسبات فوق را به صورت زیر خلاصه کنیم:

منتی= σ(دبلیوgمن*جیتی+دبلیوh من*اچt – 1+دبلیوج من⊙سیt – 1) ،افتی= σ(دبلیوgf*جیتی+دبلیوh f*اچt – 1+دبلیوج ج⊙سیt – 1) ،سیتی=افتی⊙سیt – 1+منتی⊙ تنه (دبلیوgج*جیتی+دبلیوh c*اچt – 1) ،Oتی= σ(دبلیوgo*جیتی+دبلیوساعت _*اچt – 1+دبلیوc o⊙سیتی) ،اچتی=Oتی⊙ تنه (سیتی) ،

جایی که دبلیوα β( α ∈ { g, h , c } , β∈ { i ، f, c , o } )پارامترهای قابل یادگیری در TCL را نشان می دهد. σو tanhعملکرد فعال سازی را نشان می دهد. * عملیات پیچیدگی یک بعدی را نشان می دهد. ⊙ نشان دهنده محصول هادامارد است.

سپس ماژول رمزگذار از حالت خروجی نهایی عبور می کند اچتی∈آرن* اچ، سیتی∈آرن* اچTCL شامل ویژگی‌های مکانی – زمانی جریان ترافیک به رمزگشا می‌شود.

4.3. رمزگشا برای پیش بینی چند مرحله ای

ماژول رمزگشا عمدتا برای پیش بینی چند مرحله ای استفاده می شود. همانطور که در شکل 2 نشان داده شده است، از TCL و CNN تشکیل شده است که از حالت های پنهان به دست آمده از رمزگذار برای تولید نمایش ویژگی های با ابعاد بالا از توالی های مکانی-زمانی استفاده می کند.

در رمزگشای ما، TCL برای باز کردن حالت پنهان پذیرفته شده است اچتیو وضعیت حافظه سلولی سیتیاز رمزگذار علاوه بر این، از آنجایی که هیچ دنباله ورودی در TCL وجود ندارد، یک آرایه تمام صفر را با همان ابعاد حالت پنهان مقداردهی اولیه می کنیم. اچتیبه عنوان ورودی برای ساده سازی. به طور خاص، در هر لحظه، ما از حالت پنهان و حالت حافظه سلولی از لحظه قبل و آرایه صفر برای پیش بینی لحظه بعدی استفاده می کنیم. هدف این است که اطمینان حاصل شود که نتیجه پیش بینی در هر لحظه با لحظه قبلی مرتبط است. با فرض اینکه اندازه پنجره پیش بینی P باشد ، بیان رمزگشا به صورت زیر است:

ایکسt + 1= TCL (0→;اچتی;سیتی) ،

جایی که t ∈ { T، … ، تی+ پ− 1 }و 0→آرایه های تمام صفر را نشان می دهد. سپس به هم می پیوندیم {ایکستی, … ,ایکستی+ پ} ∈آرپ* ن* اچو یک عملیات کانولوشنی برای تبدیل پیش بینی های چند مرحله ای به نمایش های با ابعاد بالا اعمال کنید.

نمایش‌های به‌دست‌آمده از ماژول چند جزیی تقویت‌شده فوق و معماری رمزگذار-رمزگشا به ماژول فیوژن، که از یک اتصال باقی‌مانده و CNN تشکیل شده است، برای تولید نتایج پیش‌بینی منتقل می‌شوند. بطور مشخص، ماژول فیوژن از یک اتصال باقیمانده کانولوشنی برای یکپارچه سازی اطلاعات باقیمانده استفاده می کند. آراز ماژول چند جزئی تقویت شده با نمایش های با ابعاد بالا اف( X)از رمزگشا، با هدف تسریع آموزش مدل و کاهش مشکل اضافه برازش. در نهایت، یک CNN برای تضمین پیش‌بینی‌ها اتخاذ می‌شود Y∈آرپ* ن* افهمان ابعاد و شکل های مورد انتظار را دارند.

5. آزمایش کنید

برای ارزیابی عملکرد مدل ما، آزمایش‌های مقایسه‌ای روی دو مجموعه داده ترافیک دنیای واقعی انجام می‌شود. علاوه بر این، ما مطالعات فرسایشی را برای نشان دادن اثربخشی ماژول‌های مختلف انجام می‌دهیم.

5.1. مجموعه داده ها

مجموعه داده های ترافیک عمومی PEMSD4 و PEMSD8 مجموعه داده های ترافیکی واقعی بزرگراه هستند که توسط سیستم اندازه گیری عملکرد آژانس حمل و نقل کالیفرنیا (PeMS) جمع آوری شده اند. این سیستم بر روی نقشه نمایش داده می شود و دارای بیش از 39000 حسگر مستقل است که در سیستم بزرگراه در تمام مناطق بزرگ شهری ایالت کالیفرنیا مستقر شده اند. مشاهدات حسگرها در پنجره های 5 دقیقه ای جمع شده و اطلاعات جغرافیایی سنسورها نیز گنجانده شده است.
ما از معیارهای محبوب PEMSD4 و PEMSD8 که توسط Guo و همکاران منتشر شده است استفاده می کنیم. [ 18 ] که حسگرهای اضافی را که فاصله آنها کمتر از 3.5 مایل است حذف می کند و برای مقادیر از دست رفته درون یابی خطی را اتخاذ می کند. جزئیات مجموعه داده ها در جدول 1 توضیح داده شده است: (1) PeMSD4 آماری دو ماهه از جریان ترافیک در منطقه خلیج سانفرانسیسکو را ثبت می کند که از 1 ژانویه 2018 تا 28 فوریه 2018 شامل 307 حسگر می باشد. ما داده های 50 روز اول را به عنوان مجموعه آموزشی و مجموعه اعتبار سنجی و 9 روز باقی مانده را به عنوان مجموعه آزمایشی انتخاب می کنیم. (2) PeMSD8 شامل دو ماه آمار در مورد جریان ترافیک در منطقه سان برناردینو، از 1 ژوئیه 2016 تا 31 اوت 2016، شامل 170 حسگر است. ما داده های 50 روز اول را به عنوان مجموعه آموزشی و مجموعه اعتبار سنجی و 12 روز باقی مانده را به عنوان مجموعه آزمایشی انتخاب می کنیم. علاوه بر این، ما مجموعه داده را با محاسبه حداکثر مقدار از قبل پردازش می کنیم حداکثر ( X)در مجموعه داده و عادی سازی کل مجموعه داده توسط ایکس= X/ حداکثر ( X).

5.2. پارامتر مدل

همه آزمایش‌ها بر روی یک کلاستر لینوکس (CPU: 6 Core Processor Intel (Broadwell)، GPU: NVIDIA Tesla P40) کامپایل و آزمایش می‌شوند. پارامترهای مدل را می توان به سه بخش تقسیم کرد: (1) چند جزئی افزوده: در این مطالعه، ما بر پیش بینی جریان ترافیک ساعت بعدی تمرکز می کنیم، یعنی، تیپ= 12. برای تیپ= 6یا 3، از پارامتر مدل استفاده می کنیم تیپ= 12برای کارایی آموزش با توجه به یک مبادله بین دقت پیش‌بینی و کارایی محاسباتی در آزمایش، ما سه پارامتر جزء را به صورت تیساعت= 24، تید= 12، و تیw= 12و افست دوره ای به صورت S = 1 برای هر دو مجموعه داده. علاوه بر این، فواصل افزوده شده، محدوده تغییرات زمانی دوره ای ساعات اوج مصرف نشان داده شده در شکل 1 را پوشش می دهد. در نتیجه، طول دنباله چند جزئی تقویت شده است تیD= 96; (2) ساختار شبکه: رمزگذار از دو لایه GCN استفاده می کند که فیلترهای کانولوشن آن 128 و 64 هستند، به طور جداگانه. فیلترهای پیچشی TCL با تعداد سنسورها مطابقت دارد و 64 واحد مخفی وجود دارد. در رمزگشا، 64 واحد مخفی TCL وجود دارد در حالی که توالی های خروجی عبارتند از تیپو فیلترهای کانولوشن CNN به صورت تنظیم شده است تیD. در ماژول فیوژن، فیلترهای کانولوشن هستند تیپ; (3) فراپارامترهای آموزشی: ما مدل خود را با استفاده از بهینه ساز Adam [ 39 ] با نرخ یادگیری 0.001 و کاهش وزن 5 × آموزش می دهیم.10– 4. خروجی [ 40 ] را 0.8 قرار دادیم. در این مقاله، ما یک میانگین مربع خطا (MSE) بین تخمین‌گر و حقیقت زمین را به عنوان تابع ضرر اعمال می‌کنیم.

5.3. متریک ارزیابی

ما از ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) به عنوان معیارهای ارزیابی استفاده می کنیم:

R MاسE=1n∑i = 1n(Yمن–Yˆمن)2————–√،
مA E=1n∑i = 1n∣Yمن–Yˆمن∣∣∣

جایی که Yمنیعنی حقیقت زمینی، Yˆمنجریان ترافیک پیش‌بینی‌شده است و n تعداد تمام مقادیر پیش‌بینی‌شده است.

5.4. خط مبنا

ما مدل خود را با خطوط پایه زیر مقایسه می کنیم:
  • میانگین تاریخی (HA). ما از میانگین 12 برش زمانی گذشته در دوره مشابه یک هفته قبل برای پیش بینی برش زمانی فعلی استفاده می کنیم.
  • آریما [ 2 ]. یک مدل پیش‌بینی سنتی معمولی برای سری‌های زمانی ما ضریب رگرسیون خودکار را تنظیم می کنیم p = 0، ضریب اختلاف د= 0، ضریب میانگین متحرک q= 1.
  • LSTM [ 22 ]. یک مدل RNN ویژه برای پیش‌بینی سری‌های زمانی. ما جریان ترافیک تاریخی را تنظیم کردیم تیساعت= 12و اندازه پنهان h = 64.
  • شبکه واحد بازگشتی دردار (GRU) [ 23 ]. یک مدل RNN بهبود یافته برای پیش‌بینی سری‌های زمانی ما جریان ترافیک تاریخی را تنظیم کردیم تیساعت= 12و اندازه پنهان 64 است.
  • STGCN [ 9 ]. این مدل از پیچیدگی یک بعدی و پیچیدگی نمودار برای استخراج ویژگی‌های مکانی-زمانی استفاده می‌کند که به طور گسترده در پیش‌بینی جریان ترافیک استفاده می‌شود. هر دو اندازه هسته پیچیدگی گراف کسو اندازه هسته پیچیدگی زمانی کتیدر آزمایش ها روی 3 تنظیم شده اند.
  • MSTGCN [ 13 ]. یک شبکه چند جزئی برای پیش بینی جریان ترافیک بهترین ترکیبات اتخاذ شده در این مقاله عبارتند از تیساعت= 36، تید= 12، و تیw= 12.
  • ASTGCN [ 18 ]. یک مدل پیش‌بینی جریان ترافیک، که توجه مکانی – زمانی را به MSTGCN اضافه می‌کند. بهترین ترکیبات اتخاذ شده در این مقاله عبارتند از تیساعت= 24، تید= 12، و تیw= 24.
  • STSGCN [ 28 ]. یک مدل پیش‌بینی ترافیک که تلاش می‌کند تا همبستگی‌های محلی-زمانی پیچیده را در داده‌های مکانی-زمانی به تصویر بکشد. بهترین تنظیم شامل 4 STSGCL است، هر STSGCM شامل 3 عملیات کانولوشن گراف با 64، 64، 64 فیلتر، به طور جداگانه است.

5.5. نتایج و تجزیه و تحلیل

به طور کلی، در مقایسه پایه، مدل ما به بهترین عملکرد در PEMSD4 و PEMSD8 در مقایسه با روش‌های سنتی موجود و روش‌های یادگیری عمیق دست می‌یابد. سپس، روش چند جزئی تقویت‌شده و ماژول TCL ارزیابی می‌شوند و ثابت می‌کنند که در جنبه‌های زیر مؤثر هستند: (1) روش چند مؤلفه‌ای تقویت‌شده بهتر از روش چند مؤلفه‌ای عمل می‌کند و برای ثبت تغییر زمانی دوره‌ای در جریان ترافیک مفید است. ; (2) ماژول TCL ما بهتر از انواع خود عمل می کند و می تواند همبستگی های مکانی-زمانی را به طور موثر یاد بگیرد.

5.5.1. مقایسه پایه

جدول 2 عملکرد AM-RGCN و مدل های پایه را برای 15 دقیقه (سه برش زمانی)، 30 دقیقه (شش برش زمانی)، و 1 ساعت (12 برش زمانی) پیش بینی های پیش روی دو مجموعه داده ارائه می کند. همانطور که نشان داده شده است، AM-RGCN ما بهترین عملکرد را در هر دو مجموعه داده از نظر تمام معیارهای ارزیابی دارد.
عملکردهای پیش‌بینی خطوط پایه سنتی (HA و ARIMA) بدترین هستند، که به دلیل توانایی آنها برای گرفتن ویژگی‌های مکانی-زمانی از داده‌های سری زمانی پیچیده محدود می‌شود. در مقایسه، رویکردهای یادگیری عمیق (مدل‌های مبتنی بر GCN و RNN) با توانایی‌شان در یادگیری از داده‌های ترافیک غیرخطی، با حاشیه‌های زیادی از آنها بهتر عمل می‌کنند. در کار پیش‌بینی ترافیک یک ساعته روی مجموعه داده PEMSD8، حتی مدل یادگیری عمیق با بدترین عملکرد (LSTM) بهتر از بهترین روش سنتی انتخاب شده (HA) کار می‌کند. از نظر آماری، اولی خطاهای RMSE و MAE را تقریباً 29.9٪ و 22.5٪ در مقایسه با دومی کاهش می دهد. در رویکردهای یادگیری عمیق، مدل‌های مبتنی بر GCN (STGCN، MSTGCN، ASTGCN، STSGCN، و AM-RGCN) عموماً بهتر از مدل‌های مبتنی بر RNN (LSTM و GRU) عمل می‌کنند.
در میان مدل‌های مبتنی بر GCN، STGCN بدترین مدل است زیرا فقط از مؤلفه اخیر برای ثبت ویژگی‌های زمانی استفاده می‌کند و به دلیل نداشتن ویژگی‌های تناوب محدود شده است. روش‌های بهتری مانند MSTGCN و ASTGCN می‌توانند تناوب روزانه و هفتگی را با روش چند جزیی ثبت کنند. بنابراین، آنها عملکرد RMSE و MAE را 12.6٪، 9.5٪ و 13.5٪، 10.2٪ در پیش بینی یک ساعته در PEMSD4 بهبود می بخشند. با این حال، این مدل‌های مبتنی بر GCN در تشخیص همبستگی کارآمد نیستند، زیرا از ماژول‌های GCN و 1D-CNN برای مدل‌سازی ویژگی‌های مکانی و زمانی جداگانه استفاده می‌کنند. در مقایسه، STSGCN همبستگی های مکانی-زمانی موضعی را در نظر می گیرد و نسبت به STGCN نیز برتر است. اما بی توجهی آن به تناوب باعث می شود عملکرد آن در تمام فواصل و معیارها به طور کامل از MSTGCN و ASTGCN پیشی نگیرد. نتایج فوق از چهار مدل مبتنی بر GCN اهمیت تناوب و همبستگی‌های مکانی – زمانی را در پیش‌بینی جریان ترافیک ثابت می‌کند. با این حال، عملکرد آن‌ها به دلیل ناتوانی در مدیریت همزمان ویژگی‌های تناوب استاتیک و همبستگی‌های مکانی-زمانی، و همچنین معرفی تغییر تناوب پویا محدود می‌شود.
در مقابل، AM-RGCN ما از چند جزء تقویت‌شده برای درک ویژگی‌های آفست دوره‌ای استفاده می‌کند، و TCL را با GCN در هر لحظه ترکیب می‌کند تا همبستگی‌های مکانی-زمانی را بیاموزد. در پیش‌بینی ساعت آینده بر اساس پارامترهای مدل مشابه (حدود 1.4M) با ASTGCN (مدل پیشرفته قبلی) مقایسه می‌شود. نتایج نشان می‌دهد که AM-RGCN RMSE و MAE را 6.3% و 8.0% در PEMSD8 و 8.0% و 9.2% در PEMSD4 کاهش می‌دهد، اگرچه زمان بیشتری (4.5 ms) نسبت به ASTGCN (2.4 ms) برای یک تکرار رو به جلو در استنتاج به دلیل استفاده از یک ساختار مکرر. با توجه به مقایسه های فوق، مدل ما در بیان ویژگی های مکانی و زمانی سری های ترافیکی مزایای بیشتری دارد.
5.5.2. جلوه های ماژول چند جزئی افزوده
در مرحله اول، برای بررسی اثربخشی ماژول چند جزئی افزوده پیشنهادی ما (AM-RGCN)، آزمایش‌های مقایسه‌ای را با مدل‌های چند جزیی (MSTGCN، ASTGCN) انجام می‌دهیم که فقط تناوب در سری‌های ترافیک را در نظر می‌گیرند. برای کنترل متغیرها، محدوده های چند جزئی و چند جزئی تقویت شده به صورت تنظیم شده است. تیساعت= 24، تید= 12، تیw= 12و تیساعت= 24، تیدس= 36، تیw s= 36، به ترتیب، جایی که افست دوره ای اس= 1. تنظیم نشان می دهد که افست زمانی دوره ای یک ساعت است. نتایج تجربی در شکل 6 نشان داده شده است. ما می‌توانیم مشاهده کنیم که هر رویکردی که از چند مؤلفه تقویت‌شده استفاده می‌کند، بهتر از روش چند مؤلفه‌ای عمل می‌کند. به عنوان مثال، برای پیش‌بینی یک ساعته در PEMSD4 و PEMSD8، MSTGCN، ASTGCN، و AM-RGCN همگی هنگام جایگزینی چند جزئی با چند جزئی تقویت‌شده، عملکرد بهتری دارند. ما استدلال می کنیم که عواملی که در واقع منجر به پیش بینی های بدتر در چند جزء می شوند، مانند شرایط آب و هوایی و ترافیک، در محدوده بازه دوره گنجانده نشده اند. در مقایسه، چند جزئی تقویت‌شده می‌تواند عوامل فوق را پوشش دهد و ویژگی‌های تناوب و جابجایی‌های زمانی دوره‌ای را به طور همزمان با افزایش دامنه داده‌های هر ماژول دوره ثبت کند.
سپس، آزمایش‌های فرسایشی انجام می‌دهیم تا سهم هر جزء در چند مولفه تقویت‌شده در PEMSD8 را بررسی کنیم ( جدول 3 )، و نتایج تجربی زیر مشاهده می‌شود: (1) مدل مجهز به ایکسساعتبه طور قابل توجهی بهتر از کسانی که با ایکسدسو ایکسw sافزایش اثر به ترتیب 31.6% و 32.2% و 28.1% و 23.9% برای RMSE و MAE. این نشان می‌دهد که پیش‌بینی سری‌های زمانی در درجه اول به برش‌های زمانی اخیر در هنگام در نظر گرفتن تنها یک جزء بستگی دارد. (2) در مقایسه با مجرد ایکسساعت، عملکرد را می توان با ترکیب کردن بهبود داد ایکسساعتبا ایکسدسیا ایکسw s. علاوه بر این، زمانی می توان بهترین عملکرد را به دست آورد که مدل به تمام اجزا مجهز باشد، زیرا افزایش روزانه چند جزئی افزوده شده و چند جزئی افزوده هفتگی می تواند به مدل سازی تناوب و جابجایی زمانی دوره ای کمک کند، در مقایسه با استفاده از مولفه اخیر برای وابستگی کوتاه مدت بنابراین، این دو آزمایش از برتری روش چند جزئی تقویت‌شده ما در رسیدگی به مشکل تغییر زمانی دوره‌ای پشتیبانی می‌کنند.
5.5.3. اثرات یادگیرنده همبستگی زمانی
برای بررسی بیشتر مزایای TCL، ما AM-RGCN را با انواع آن مقایسه می کنیم که جایگزین TCL با CNN یا LSTM می شوند، در حالی که همه آنها به یک ماژول چند جزئی تقویت شده مجهز هستند. با توجه به نتایج تجربی در جدول 4 ، می توان چندین نتیجه گرفت:
اولا، AM-LSTM-GCN به خوبی AM-CNN-GCN عمل نمی کند. ما پیشنهاد می‌کنیم دلیل اصلی این است که وقتی این مدل پیش‌بینی‌های چند مرحله‌ای را از طریق یک رویکرد گام به گام ایجاد می‌کند، خطاها انباشته می‌شوند. برای دقیق تر بودن، اگر طول پیش بینی P باشد، باید واحدهای LSTM را بار P حلقه کنیم ، که منجر به تجمع خطا در هر زمان می شود. در مقابل، AM-CNN-GCN مستقیماً از انتشار خطا با استفاده از یک CNN برای ترسیم طول پیش‌بینی زمانی نهایی به P جلوگیری می‌کند.
ثانیا، AM-RGCN به دلیل ترکیب GCN و TCL در شبکه رمزگذار برای گرفتن همبستگی های مکانی-زمانی، نسبت به AM-CNN-GCN برتری دارد. بطور مشخص، در هر لحظه پیش‌بینی‌شده، اطلاعات مکانی – زمانی آخرین مرحله زمانی را برای دستیابی به یک پیش‌بینی پیوسته در نظر می‌گیرد. در مقابل، AM-CNN-GCN همبستگی‌های بین ویژگی‌های مکانی و زمانی را جدا می‌کند و تأثیر هر حسگر را بر حسگرهای اطراف خود در مراحل زمانی مختلف در شبکه‌های ترافیکی کنار می‌گذارد.
در مورد مقایسه AM-RGCN و AM-LSTM-GCN، مدل ما همچنان اولویت قابل توجه خود را حفظ کرده است. این به این دلیل است که راه حل ترکیب کانولوشن یک بعدی و LSTM هنگام مدیریت ویژگی های توپولوژیکی فضایی از GCN به طور موثر عمل می کند، در حالی که AM-LSTM-GCN آن را به دلیل محدودیت توانایی صاف می کند. در جزئیات، عملیات مسطح کردن ویژگی‌های فضایی و سایر ویژگی‌ها را در یک بعد ادغام می‌کند، که منجر به از بین رفتن ویژگی‌های فضایی از GCN می‌شود. بر این اساس، AM-RGCN نسبت به دو نوع دیگر در پردازش همبستگی های مکانی-زمانی بهتر است.

6. نتیجه گیری و کار آینده

ما شبکه کانولوشن گراف چند جزئی تقویت شده (AM-RGCN) را برای انجام پیش‌بینی جریان ترافیک پیشنهاد می‌کنیم. به طور خاص، ماژول چند جزئی تقویت‌شده را برای ثبت تغییرات زمانی دوره‌ای که در سری‌های ترافیک ظاهر می‌شود، معرفی می‌کنیم. سپس، ما یک معماری رمزگذار-رمزگشا را پیاده‌سازی می‌کنیم که در آن رمزگذار با هدف گرفتن همبستگی‌های مکانی-زمانی و رمزگشا طراحی شده است تا نمایش‌هایی با ابعاد بالا از پیش‌بینی‌های چند مرحله‌ای را به دست آورد.
در واقع، ساختار گراف اتخاذ شده در این مقاله یک گراف بدون جهت است. در عمل، ساختار گراف شبکه راه هدایت می شود و شرایط در شبکه ترافیک به صورت پویا تغییر می کند. در آینده به بهبود عملکرد پیش بینی جریان ترافیک با استفاده از نمودار جهت دار و مکانیزم توجه خواهیم پرداخت. با این حال، AM-RGCN ما یک چارچوب کلی پیش‌بینی مکانی-زمانی برای داده‌های ساختار نمودار است، بنابراین می‌توان آن را برای سایر وظایف پیش‌بینی مکانی-زمانی مانند پیش‌بینی سرعت ترافیک نیز اعمال کرد.

منابع

  1. Lv، Y.; دوان، ی. کانگ، دبلیو. لی، ز. وانگ، پیش‌بینی جریان ترافیک سال مالی مالی با داده‌های بزرگ: رویکرد یادگیری عمیق. IEEE Trans. هوشمند ترانسپ سیستم 2014 ، 16 ، 865-873. [ Google Scholar ] [ CrossRef ]
  2. لوین، ام. Tsao، YD در مورد پیش بینی اشغال آزادراه و حجم. ترانسپ Res. ضبط 1980 ، 173 ، 47-49. [ Google Scholar ]
  3. اوکوتانی، آی. استفاندس، YJ پیش‌بینی دینامیکی حجم ترافیک از طریق نظریه فیلتر کالمن. ترانسپ Res. روش قسمت B. 1984 ، 18 ، 1-11. [ Google Scholar ] [ CrossRef ]
  4. وو، CH; هو، جی.ام. Lee، DT پیش‌بینی زمان سفر با رگرسیون بردار پشتیبان. IEEE Trans. هوشمند ترانسپ سیستم 2004 ، 5 ، 276-281. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. ژانگ، ال. لیو، کیو. یانگ، دبلیو. وی، ن. دونگ، دی. یک مدل K-نزدیک‌ترین همسایه بهبود یافته برای پیش‌بینی کوتاه‌مدت جریان ترافیک. Procedia-Soc. رفتار علمی 2013 ، 96 ، 653-662. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. ما، ایکس. تائو، ز. وانگ، ی. یو، اچ. Wang, Y. شبکه عصبی حافظه کوتاه مدت برای پیش‌بینی سرعت ترافیک با استفاده از داده‌های سنسور مایکروویو از راه دور. ترانسپ Res. قسمت C 2015 ، 54 ، 187-197. [ Google Scholar ] [ CrossRef ]
  7. روی، اف. زو، ز. لی، ال. با استفاده از روش‌های شبکه عصبی LSTM و GRU برای پیش‌بینی جریان ترافیک. در مجموعه مقالات سی و یکمین کنفرانس سالانه آکادمیک جوانان انجمن اتوماسیون چین (YAC)، ووهان، چین، 11 تا 13 نوامبر 2016؛ صص 324-328. [ Google Scholar ] [ CrossRef ]
  8. لی، ی. یو، آر. شهابی، ج. Liu, Y. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. در مجموعه مقالات کنفرانس بین‌المللی در مورد بازنمایی‌های یادگیری (ICLR)، ونکوور، BC، کانادا، 30 آوریل تا 3 مه 2018. [ Google Scholar ]
  9. یو، بی. یین، اچ. Zhu, Z. شبکه‌های کانولوشنال نمودار فضایی-زمانی: چارچوب یادگیری عمیق برای پیش‌بینی ترافیک. در مجموعه مقالات کنفرانس مشترک بین المللی هوش مصنوعی، استکهلم، سوئد، 13 تا 19 ژوئیه 2018؛ صص 3634–3640. [ Google Scholar ]
  10. لی، اف. فنگ، جی. یان، اچ. جین، جی. جین، دی. Li, Y. نمودار پویا کانولوشن شبکه تکراری برای پیش بینی ترافیک: معیار و راه حل. arXiv 2021 ، arXiv:2104.14917. [ Google Scholar ]
  11. یانگ، تی. تانگ، ایکس. لیو، آر. شبکه کانولوشن چند گراف با دروازه دوگانه زمانی برای پیش‌بینی تقاضای تاکسی. محاسبات عصبی Appl. 2021 ، 1-16. [ Google Scholar ] [ CrossRef ]
  12. ژانگ، جی. ژنگ، ی. Qi، D. شبکه‌های باقیمانده فضایی-زمانی عمیق برای پیش‌بینی جریان‌های جمعیت در سطح شهر. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 فوریه 2017؛ صفحات 1655-1661. [ Google Scholar ]
  13. فنگ، ن. گوا، اس. آهنگ، سی. زو، س. Wan, H. شبکه‌های پیچیدگی نمودار مکانی-زمانی چند جزیی برای پیش‌بینی جریان ترافیک. جی. سافتو. 2019 ، 30 ، 759–769. [ Google Scholar ]
  14. روی، ا. روی، KK; احسن علی، ع. امین، م. رحمان، A. SST-GNN: مدل پیش بینی ترافیک فضایی-زمانی ساده شده با استفاده از شبکه عصبی نمودار. در مجموعه مقالات کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی، دهلی، هند، 11-14 مه 2021؛ صص 90-102. [ Google Scholar ]
  15. چن، ک. دنگ، م. Shi, Y. یک شبکه پیچیدگی نمودار جهت‌دار زمانی برای پیش‌بینی ترافیک با استفاده از داده‌های مسیر تاکسی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 624. [ Google Scholar ] [ CrossRef ]
  16. او، جی. سان، ج. زو، ی. جین، اچ. لیو، ی. ژانگ، اف. هوانگ، جی. Wang, X. STP-Trellisnets: Trellisnets موازی مکانی-زمانی برای پیش‌بینی جریان مسافران ایستگاه مترو. در مجموعه مقالات بیست و نهمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، آنلاین. 19–23 اکتبر 2020؛ صص 1185–1194. [ Google Scholar ]
  17. آن، جی. گوا، ال. لیو، دبلیو. فو، ز. رن، پی. لیو، ایکس. Li، T. IGAGCN: هندسه اطلاعات و شبکه های کانولوشنال نمودار فضایی-زمانی مبتنی بر توجه برای پیش بینی جریان ترافیک. شبکه عصبی 2021 , 143 . [ Google Scholar ] [ CrossRef ]
  18. گوا، اس. لین، ی. فنگ، ن. آهنگ، سی. Wan, H. شبکه‌های کانولوشنال نمودار مکانی-زمانی مبتنی بر توجه برای پیش‌بینی جریان ترافیک. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، دهکده هیلتون هاوایی، HI، ایالات متحده آمریکا، 27 ژانویه تا 1 فوریه 2019؛ جلد 33، ص 922–929. [ Google Scholar ]
  19. میگلانی، ع. کومار، N. مدل های یادگیری عمیق برای پیش بینی جریان ترافیک در وسایل نقلیه خودران: بررسی، راه حل ها و چالش ها. وه اشتراک. 2019 ، 20 ، 100184. [ Google Scholar ] [ CrossRef ]
  20. ژنگ، ال. یانگ، جی. چن، ال. سان، دی. لیو، دبلیو. بهینه‌سازی ویژگی‌های مکانی-زمانی پویا با داده‌های بزرگ ERI برای پیش‌بینی جریان ترافیک کوتاه‌مدت. محاسبات عصبی 2020 ، 412 ، 339-350 . [ Google Scholar ] [ CrossRef ]
  21. اولیویرا، دی. رامپینلی، م. توزاتو، جی.زی. آندرائو، RV; مولر، SM پیش بینی جریان ترافیک وسایل نقلیه با استفاده از MLP و LSTM. محاسبات عصبی Appl. 2021 ، 33 ، 17245-17256. [ Google Scholar ] [ CrossRef ]
  22. هوکرایتر، اس. اشمیدهابر، جی. حافظه کوتاه مدت طولانی. محاسبات عصبی 1997 ، 9 ، 1735-1780. [ Google Scholar ]
  23. چانگ، جی. گلچهره، سی. چو، ک. Bengio، Y. ارزیابی تجربی شبکه‌های عصبی بازگشتی دروازه‌ای در مدل‌سازی توالی. arXiv 2014 ، arXiv:1412.3555. [ Google Scholar ]
  24. ما، ایکس. ژوانگ، دی. ژنگ بینگ، اچ. جیهویی، م. یونگ، دبلیو. Yunpeng، W. ترافیک یادگیری به عنوان تصاویر: یک شبکه عصبی پیچیده عمیق برای پیش بینی سرعت شبکه حمل و نقل در مقیاس بزرگ. Sensors 2017 , 17 , 818. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. یو، اچ. ژیهای، دبلیو. شوقین، دبلیو. یونپنگ، دبلیو. Xiaolei، M. شبکه های کانولوشنی مکرر فضایی و زمانی برای پیش بینی ترافیک در شبکه های حمل و نقل. Sensors 2017 , 17 , 1501. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Kipf، TN; ولینگ، ام. طبقه بندی نیمه نظارت شده با شبکه های کانولوشن گراف. در مجموعه مقالات کنفرانس بین المللی در مورد بازنمایی های یادگیری (ICLR)، تولون، فرانسه، 24-26 آوریل 2017. [ Google Scholar ]
  27. ژائو، ال. آهنگ، ی. ژانگ، سی. لیو، ی. وانگ، پی. لین، تی. دنگ، م. Li، H. T-GCN: یک شبکه کانولوشنال نمودار زمانی برای پیش بینی ترافیک. IEEE Trans. هوشمند ترانسپ سیستم 2019 ، 21 ، 3848–3858. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. آهنگ، سی. لین، ی. گوا، اس. Wan, H. شبکه های کانولوشنال گراف همزمان مکانی-زمانی: چارچوبی جدید برای پیش بینی داده های شبکه مکانی-زمانی. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ جلد 34، ص 914–921. [ Google Scholar ]
  29. بای، جی. ژو، جی. آهنگ، ی. ژائو، ال. هو، ز. دو، آر. Li, H. A3T-GCN: توجه به نمودار زمانی شبکه کانولوشن برای پیش بینی ترافیک. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 485. [ Google Scholar ] [ CrossRef ]
  30. چن، دبلیو. چن، ال. زی، ی. کائو، دبلیو. گائو، ی. Feng, X. شبکه کانولوشن گراف دو جزئی توجه چند بردی برای پیش بینی ترافیک. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ صص 3529–3536. [ Google Scholar ] [ CrossRef ]
  31. ژنگ، سی. فن، ایکس. وانگ، سی. چی، جی. جیمن: یک شبکه چندتوجهی نمودار برای پیش‌بینی ترافیک. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ جلد 34، ص 1234–1241. [ Google Scholar ] [ CrossRef ]
  32. ژانگ، ایکس. هوانگ، سی. خو، ی. Xia، L. شبکه‌های توجه نمودار کانولوشنال مکانی-زمانی برای پیش‌بینی جریان ترافیک در سطح شهر. در مجموعه مقالات بیست و نهمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، آنلاین. 19–23 اکتبر 2020؛ صفحات 1853-1862. [ Google Scholar ] [ CrossRef ]
  33. یائو، اچ. تانگ، ایکس. وی، اچ. ژنگ، جی. لی، زی. بازبینی شباهت مکانی-زمانی: چارچوب یادگیری عمیق برای پیش‌بینی ترافیک. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، دهکده هیلتون هاوایی، HI، ایالات متحده آمریکا، 27 ژانویه تا 1 فوریه 2019؛ جلد 33، ص 5668–5675. [ Google Scholar ]
  34. همیلتون، دبلیو. یینگ، ز. Leskovec, J. آموزش بازنمایی استقرایی روی نمودارهای بزرگ. در مجموعه مقالات سی و یکمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 دسامبر 2017؛ صص 1025–1035. [ Google Scholar ]
  35. ولیچکوویچ، پ. کوکورول، جی. کازانووا، آ. رومرو، آ. لیو، پی. Bengio، Y. گراف شبکه های توجه. در مجموعه مقالات کنفرانس بین المللی در مورد بازنمایی های یادگیری (ICLR)، تولون، فرانسه، 24-26 آوریل 2017. [ Google Scholar ]
  36. برونا، جی. زارمبا، دبلیو. اسلم، آ. LeCun، Y. شبکه های طیفی و شبکه های محلی متصل روی نمودارها. در مجموعه مقالات کنفرانس بین المللی در مورد بازنمایی های یادگیری (ICLR)، Banff، AB، کانادا، 14-16 آوریل 2014. [ Google Scholar ]
  37. دیفرارد، ام. برسون، ایکس. Vandergheynst، P. شبکه‌های عصبی کانولوشن روی نمودارها با فیلتر کردن طیفی سریع محلی. Adv. عصبی Inf. روند. سیستم 2016 ، 29 ، 3844-3852. [ Google Scholar ]
  38. شی، ایکس. چن، ز. وانگ، اچ. یونگ، دی. وانگ، WK; Woo, Wc Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. Adv. عصبی Inf. روند. سیستم 2015 ، 28 ، 802-810. [ Google Scholar ]
  39. Kingma، DP; با، جی. آدام: روشی برای بهینه سازی تصادفی. arXiv 2014 ، arXiv:1412.6980. [ Google Scholar ]
  40. سریواستاوا، ن. هینتون، جی. کریژفسکی، آ. سوتسکور، آی. Salakhutdinov, R. Dropout: راهی ساده برای جلوگیری از بیش از حد شبکه های عصبی. جی. ماخ. فرا گرفتن. Res. 2014 ، 15 ، 1929-1958. [ Google Scholar ]
Ijgi 11 00088 g001 550
شکل 1. نمونه هایی از تغییر زمانی دوره ای در داده های جریان ترافیک. اعداد بالای دایره ها در شکل ها یک بازه زمانی را نشان می دهند (مثلاً 6.00 به معنای 6.00-7.00 بعد از ظهر است).
Ijgi 11 00088 g002 550
شکل 2. نمای کلی AM-RGCN. (1) چند جزئی افزوده شده: ایکسساعت، ایکسدس، و ایکسw sجزء اخیر، مؤلفه افزوده شده روزانه، و مؤلفه افزوده شده هفتگی، به طور جداگانه هستند. پe r i o dمن می خواهم _ _  s h i fتیبه معنای تغییرات پویا در تناوب روزانه و هفتگی است. (2) رمزگذار: ایکستیبه معنی تیتی ساعتبرش زمانی از چند جزئی تقویت شده. A نشان دهنده ماتریس مجاورت شبکه جاده است. جی سیننشان دهنده گراف شبکه کانولوشن و تیسیLبیانگر یادگیرنده همبستگی زمانی است. (3) رمزگشا: ایکس˜پنشان می دهد پتی ساعتبرش زمانی پیش بینی (4) ماژول فیوژن: سیo n vبه معنای پیچش با اندازه هسته 1 * 1 است. آراطلاعات باقیمانده از ماژول چند جزئی تقویت شده را نشان می دهد و اف( X)خروجی رمزگشا را نشان می دهد. A Ggr e ga t i o nنشان دهنده عملیات جمع کردن است اف( X) + R.
Ijgi 11 00088 g003 550
شکل 3. فرض کنید که مرحله زمانی 5 دقیقه و طول پیش بینی است تیپ12 تنظیم شده است که نشان دهنده پیش بینی جریان ترافیک ساعت آینده از ساعت 17:00 تا 18:00 روز پنجشنبه است. ( الف ) اصل چند جزئی در جریان ترافیک: تیساعت= 24، تید= 24، و تیw= 24همه دوتایی هستند تیپیعنی استفاده از تردد دو ساعت گذشته از ساعت 15 الی 17 و همین مدت از ساعت 17 الی 18 دو روز گذشته و دو پنجشنبه گذشته. ( ب ) اصل چند مولفه تقویت شده در جریان ترافیک: تیساعتمانند ( a ) تنظیم می شود. افست دوره ای S 1 طول می کشد، سپس اس*تیپ= 12، نشان دهنده یک ساعت افست در اجزای روزانه و هفتگی است. با توجه به معادله ( 1 ) می توانیم به دست آوریم تیدس= 72و تیw s= 72، یعنی استفاده از داده های ترافیکی از ساعت 16 تا 19 دو روز گذشته و دو پنجشنبه گذشته.
Ijgi 11 00088 g004 550
شکل 4. ( الف ) با فرض اینکه سنسور قرمز با عدد 0 مخفف گره مرکزی شبکه راه است، سنسورهای سبز با شماره 1 همسایگان مرتبه اول گره مرکزی هستند و سنسورهای آبی با شماره 2 همسایه های مرتبه دوم گره مرکزی. ( ب ) رابطه مجاورت حسگرها در ( a ) به عنوان گره ساده شده است. GCN ویژگی های فضایی را از طریق رابطه توپولوژیکی بین گره مرکزی و همسایگان مرتبه اول نشان می دهد.
Ijgi 11 00088 g005 550
شکل 5. معماری TCL. در هر لحظه، ویژگی فضایی استخراج شده از GCN با حالت پنهان قبلی و حالت حافظه سلولی به یادگیرنده منتقل می شود.
Ijgi 11 00088 g006 550
شکل 6. مقایسه عملکرد روش های چند جزئی و چند جزئی تقویت شده در پیش بینی ساعت آینده در PeMSD4 و PeMSD8.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید