2024年4月13日发(作者：)
第3期
2021年3月
Journal of CAEIT
Vol. 16 No. 3
Mar. 2021
doi
： 10. 3969
/j
. issn.
1
673 -5692. 2021.03.007
融合多模态信息的
Prophet-DCRNN
交通预测方法
宋凯磊
1
’
2
，张欣海
3
’
4
，侯位昭
1
’
2
，陈晓东
2
，韩志卓
1
’2
(1.
中国电子科技集团公司第
五十四
研究所，河北石家庄
050081;
2.
河北远东通信系统工程有限公司，河北石家庄
050200;
3.
中国电子科学研究院，北京
100041;
4.
社会安全风险感知与防控大数据应用国家工程实验室，北京
100041)
摘要：交通预测问题具有明显时空特性。相比传统数据挖掘方法，深度学习因为其解决复杂问题
的能力越来越受到研究人员青睐。同样在交通预测中，深度学习借助其被精心设计的网络结构很
好的捕捉了时空特征。然而，实际城市交通状态还受天气、节假曰等因素影响，往往在恶劣天气、节
假曰更倾向于出现交通拥堵。为解决上述问题，文中提出了融合多模态信息的
Prophet-DCRNN
路
口交通预测方法，利用
Prophet
时序预测算法捕获节假日效应，采用
DCRNN
捕获交通时空特性，此
外采用类
stacking
技术，融合
Prophet
算法、
DCR
酬算法及天气信息，得到最终融合多模态信息的
混合模型。最后通过实验验证了
Prophet-DCRNN
混合模型在节假日、不同天气状况等场景下交通
预测的准确性。
关键词
：交通预测；
DCRNN
;
Prophet
;多模态；混合模型
中图分类号:TP183 文献标志码：A 文章编号：1673-5692(2021 )03-2504)5
Prophet-DCRNN Traffic Forecasting Method
With Multi-modal Information
SONG Kai-lei1'2, ZHANG Xin-hai3'4, HOU Wei-zhao' 2, CHEN Xiao-dong 2, HAN Zhi-zhuo1'2
(1. The 54lh Research Institute of China Electronics Technology Group Corporation, Shijiazhuang 050081 , China;
2. Hebei Far East Communication System Engineering Co. , Ltd, Shijiazhuang 050200, China；
3. China Academy of Electronics and Information Technology, Beijing 100041 , China；
4. National Engineering Laboratory for Public Safety Risk Perception and Control by Big Data, Beijing 100041 , China)
Abstract： Traffic forecasting has obvious temporal and spatial characteristics. Compared with traditional
data mining methods, deep learning is more and more favored by researchers because of its ability to solve
complex problems. Also in traffic forecasting, deep learning uses its carefully designed network structure
to capture spatio-temporal characteristics. However, the actual traffic is also affected by factors such as
weather conditions and holidays. It is more prone to traffic congestion during severe weather and holi
days. To address these challenges, we proposes a Prophet-DCRNN intersection traffic forecasting method
that integrates multi-modal information. The holiday effect is captured by the Prophet time series predic
tion algorithm, and the temporal and spatial characteristics are captured by DCRNN. In addition, a hy
brid model with multi-modal information is obtained by using similar stacking technology, combining
Prophet algorithm, DCRNN algorithm and weather information. Finally, the experiment verified the accu-
收稿日期：2021 >02 4)5 修订日期：2021 >03 ■01
基金项目：国家重点研发计划资助项目（2017YFC0820505)
2021年第3期
宋凯磊等:融合多模态信息的
Pmphet
-
DCRNN
交通预测方法
251
racy
of
the
Prophet-DCRNN
hybrid
model
in
traffic
forecasting
in
scenarios
such
as
holidays
and
tenible
weather
.
Key
words
：
traffic
forecasting
；
DCRNN
；
Prophet
；
multi
-
modal
；
hybrid
model
〇引言
交通预测具有非常大的挑战性
，一
方面,交通信
息具有不平稳性、周期性、易受节假日影响等特点；
另一方面，相邻位置、相邻时间的交通流量也是动态
相关的;此外，交通流具有典型复杂系统的随机性与
不确定性,长时预测更加放大了系统的不确定因素。
早期交通预测模型主要采用线性模型，主要包
含差分自回归滑动平均
（autoregressive
integrated
moving
average，ARIMA
)模型丨，季节自回归求和
移动平均
(seasonal
autoregressive
summation
moving
average
,
SARMIA
)模型‘，卡尔曼滤波
（kalman
fil
-
tering
,
KF
)模型[3]等。然而线性模型不适合处理存
在有大量缺失值及方差较高的数据，且交通流数据
具有随机、不确定、非线性等特点，因此线性交通预
测模型精度有待提高。
为解决线性模型存在的缺点，数据驱动的非线
性模型研究被更多学者所青睐，非线性模型主要包
含传统的机器学习模型及深度学习模型。文献
[4 - 5 ]利用支持向量回归
（support
vector
regression
，
SVR
)分别完成了交通速度预测和交通流量预测，然
而
SVR
模型核函数的选择较为困难且不易挖掘交
通流数据中的空间信息。文献[6-7]利用
k
最近
邻（
k
-
nearestneighbors
,
KNN
)分别完成了交通流量
和形成时间的预测，
KNN
算法可处理交通流隐含的
空间信息且训练简单，但其不能处理交通流隐含的
时间信息且预测精度较低。为同时处理交通流中的
时空信息，基于贝叶斯网络
（bayesian
network
,
BN
)
的交通预测模型得以提出[8]，然而
BN
预测模型在
构建过程中网络节点及连接数的选择困难。
相比传统数据挖掘方法，深度学习因为其具有
解决复杂问题的能力越来越受到研究人员的青睐。
同样在交通预测中，深度学习也取得了巨大成功。
文献[9]提出
ASTGCN
模型对交通流的三个时间特
性进行建模，即邻近、每日和每周的依赖关系。同时
引人时空注意力机制，有效捕捉交通数据动态时空
关联，并使用图卷积捕捉空间模式和标准卷积来描
述时间特征。然而
ASTGCN
模型先图卷积，再一维
卷积，分步操作并没有实现时空相关性的同时捕获。
为此，文献[10]提出了局部时空子图的改进方案，
该方法以路网结构为基础，将多个近邻时间步的空
间图连接到一起，使用图卷积方法捕获局部时空相
关性，完成时空相关性的同时捕获。
此外，文献[11 ]提出将交通预测建模为有向图
上的扩散过程，并构建了一种扩散卷积循环神经网
络
（diffusion
convolutional
recurrent
neural
network
,
DCRNN)。DCRNN
通过在交通图上的双向扩散来
捕获空间相关性，采用编码-解码架构来捕获时间
相关性。对于长时预测，
DCRNN
相较于其他深度学
习方法有明显优势。
以上深度学习方法虽然捕捉了交通预测问题的
时空特性，然而,实际城市主干道路口的交通还受天
气、节假日等因素的影响，容易出现交通拥堵。为解
决上述问题，本文提出了融合多模态信息的
Praph
-
et-DCRNN
路口交通流量预测方法，该方法以天气、
节假日等多模态数据作为输入，首先，利用
Prophet
自动捕获数据的节假
H
效应，采用
DCRNN
捕获数
据的时空特性，并基于类
stacking
技术，融合
Prophet
算法、
DCRNN
算法及节假日、天气信息，得到最终融
合多模态信息的混合模型；然后，通过实验验证了
Prophet-DCRNN
混合模型在节假日、不同天气状况
等场景下交通预测预测的准确性。
1相关工作
1.1
Prophet
时间序列预测算法
Prophet
算法是
开源的时序预测框架，
最初是为了创建高质量商业预测而研发，是一种基
于时间序列的预测算法。
Prophet
算法对各种时间
序列特征分组件进行分析，如按时间序列的季节周
期性、趋势性、节假日效应等组件分析。
Prophet
模
型的构成如下：
y
{
t
) =
g
(
t
) +
s
(
t
) +
h
(
t
) +
e
,
式中:
g
(«)为趋势变化函数，用来分析时间序列中非
周期性的变化;
s
(
i
)为季节周期项
，一
般以年或以周
为单位;/»(<)为节假日项，表示节假日因素造成的影
响变化为误差项，表示突发事件的影响，通常为
高斯噪声。
252
时间序列通常会随每天、周、月、年等影响而呈
现周期性的变化，
Pmphet
中使用傅里叶级数模拟时
间序列的周期性。其形式如下：
沒
⑴=X
nsin
n =
I
(
a„cos
=’
*
十]^
+ 6
P
'
式中:
P
为时间序列周期长度。设
Prophet
的季节
项为
5(0
^
fiX
(
t
)
其中，
= (a
丨，
6,
，
…
，
a、.，/).'.)r
X
⑴
Lcos
,2
(—
ir
(
-
l
—
)
t
、
)
,si
.
n
(
，
277(1)^、
—^—)，
cos
(
,2
—
tt
(/
-
V
—
)<
)
,sin
.
(—
2
Tr
(
-
N
—-
)
t
.,
)」
式中:参数向量〜/
V
(0，(
t
2K
节假日因素对很多时间序列产生重要影响，这
些影响效应通常是可以预测的。但是，因其周期性
不固定，很难用一个模型去确定所有地区的节假日。
为了克服不确定因素,
Prophet
模型提供了一个灵活
的拟合节假
H
的模型，即模型可以对节假日进行自
定义,满足特定场景的预测需求。
令
A
表示第；个节假
H
时间窗口序列，参数卜表
示该节假日的影响效应。假设有
A
个节假日，节假
日效应模型原理为
L
h
(
t
) =
Z
(
t)k
=
y
(
k
，•
)，t
e
i = i
其中，
Z
⑴二
[1(，e 0
丨），
1(，e D2)
，
“.
，
l(，e £»,)]
式中:*~/
V
(0，
t
;2)
1.2用于时空图预测的扩散卷积循环神经
网络
交通预测的挑战包括以下几个方面：对路网复
杂的空间依赖性、路况变换与非线性的时间动态性、
长期预测的困难性。文献[11 ]提出的
HRNN
有效
解决了上述问题。
用于时空图预测的
DCRNN
利用扩散过程对交
通流的空间依赖性进行建模。该扩散过程的特点在
于使用重启概率
ae
[0，
l
]在有向图
C
上进行随机
游走，状态转移矩阵为
DJ
1
W
,其中
Z
),, =
diag
(
W
1)
为出度对角矩阵，1
e
MN
表示全一向量。通过多步
游走之后，该马尔科夫过程将收敛于一个平稳分布
P
e
RVx
'其中第^行
P,e
RN
表示从节点
e
K
扩
散的可能性。该平稳分布的闭式解[12:为
2021年第3期
P ^
k
=0
-« )* (D；：W)k
式中:为扩散步数在实际应用中使用扩散过程
的有限&步截断，并为每个步骤赋予可训练的权
重。同时
DCRNN
还包括反向扩散过程，该双向扩
散过程同时捕获上游和下游的交通流量。图信号
XeR
Y> X ••，p • G fe : K-l ^(D；：W)k +ekt2(D{' WT)k)X：^ k =〇 (6,, pell ,2,••■,/>! 式中:0 e RK x 2为过滤器/^的参数，表 示扩散过程与反向扩散过程的转移概率矩阵。基于 上述定义的扩散卷积操作，可以构建扩散卷积层实 现从 P -维特征到 Q -维特征的映射。扩散卷积层 能够学习图结构，并且可以利用随机梯度方法进行 训练。 此外， DCRNN 采用编码-解码的架构捕获时间 依赖性，将 GRU 中的矩阵乘法变成了扩散卷积，从 而得到了扩散卷积门循环单元 DCGRU 。在多步预 测中， DCRNN 编码-解码器都是 DCGKU ,训练时把 历史的时间序列放到编码器，使用最终状态初始化 解码器。解码器生成预测结果。整个网络通过反向 传播最大化生成目标时间序列的最大似然得到。 2 基于多模态的 Prophet-DCRNN 交 通预测方法 虽然 DCRNN 能够有效地对交通预测中的时空 依赖性进行建模，但是实际交通受节假日、天气因素 的影响，而交通拥堵也更容易在节假日、天气恶劣场 景下发生。 Prophet 时序预测算法能够对节假曰效 应进行自动建模，但是仅考虑了时间维度特征，并且 在复杂建模能力方面要弱于深度学习模型h3]。一 个很直接的方法是，将两个模型融合，同时融人节假 日、天气信息，得到不同情况下模型的混合“权重”。 文献[14- 15]利用多个模型及外部特征进行 混合训练，预测结果较好。因此，本文沿用该思路， 将 Pmphet 、 DCRNN 模型及节假日、天气信息进行混 合，同时捕获交通流量的时空特征、节假日效应及外 部天气信息来解决上述问题。 首先，提取目标地域法定节假日信息以及天气信 息;并基于节假日信息设置时序预测算法 Prophet 节假 日参数，利用 Prophet 捕捉交通流量的节假日特性。 202丨年第3期 宋凯磊等:融合多模态信息的 Pmphel - DCRNN 交通预测方法 253 其次，基于路网结构数据、历史各节点流量数据 训练基于 DCRNN 的循环扩散神经网络交通流量预 测模型。 最后，采用类 stacking 技术，融合天气特征，并 混合 Prophet 、 DCRNN 流量预测模型，构建融合多模 态信息的混合模型。这里的类 stacking 技术采用两 层结构，第一层训练单一流量预测模型，包括 Proph et 流量预测模型、 DCRNN 流量预测模型，第二层以 Prophet 模型输出、 DCR 顺模型输出、天气特征及节 假日特征为输人，基于 xgboost 算法获取不同节假 日、天气特性下，模型的影响因子。 其中原始 stacking 技术在训练中，为了防止过 拟合，不使用第一层学习器的训练集产生第二层学 习器的训练集，而使用 k 折交叉验证法，对初始训练 集进行划分，训练集用来训练第一层学习器，验证集 用来产生第二层学习器的训练集。本文采用类 stacking 技术，使用留出法随机保留一定比例的 hold-out 集，利用基于训练集在 hold-out 集上的测试 结果作为第二层的输入，用于训练第二层模型的参 数。类 stackmg 技术充分利用不同算法从不同的数 据空间角度和数据结构角度的对数据的不同观测， 综合 Prophet 对节假日特性的捕捉以及 DCRNN 对 空间特征的建模能力，取长补短，优化结果。整体流 程图如图1所7 K 。 节假日数据 流量数据 路M结构 数据 天气数据 One-hot 编码 时间窗口设置 holidays_prior_sca e 设^i1 ;Prophet DCRNN 离散化 i模型 模型 处理 L____[ Stocking.. 1 离散化 处理 数据合并 stacking二层结构 xgboost 模型 交通流量 预测 图 1 基于类 Stacking 技术的 Prophet-DCRNN 混合模型架构图 3实验结果及分析 3.1数据说明 本文在洛杉肌高速路交通数据集 METR-LA 上 验证模型的有效性,并选择了部分检测器，收集了从 2012年5月1日_2012年6月30日2个月的数据 用于实验。 气象数据采自 “RfliaWe Prognosis ”网站。每个 气象站每6 h 进行一次记录，每条记录包含记录时 刻的气温、风速、风向、天气状况等气象要素。按照 时间与交通数据进行关联合并。2个月期间的节假 日列表如表1所示。 表1节假日列表 日期节假日名称 5月13日 母亲节 5月28日 阵亡战士纪念日 6月17日 父亲节 本文将数据集车速聚合到了 5 min 的窗口内, 使用了 Z-Score 标准化。70%的数用于训练，20% 用于测试，10%用于验证。并参考文献[11]构建了 传感器网络。 3.2评价指标 用于交通流童预测的指标主要有以下两种。令 / V 表示测试集样本总数, w / U )表示实际交通流量 值，(幻表示交通流量预测值。 (1)平均绝对百分比误差（ mean absolute per - centage error , MAPE ) N vol ( k ) - vol ( k ) MAPE - k I x = 1 vol ( k ) 100% (2)均方根误差（ root mean squared error ， RMSE ) RMSE = (vol(k) -vol(k) )2 3.3实验结果及分析 本实验使用 Python 3. 6作为编程语言，使用 Py - charm 开发环境，操作系统为 Linux 3. 10. 0,内存为 128 G ，硬盘 12 T 。 本文将 Prephet - DCRNN 混合模型与当前广泛 使用的时序回归模型做对比，包括： 1 ) Prophet : Facebook 发布的基于可分解（趋 势+季节+节假日）时序预测算法； 2) DCRNN :扩散循环神经网络。 实验结果如表2所示。 由表2可知，预测时间为5 min ~ 60 min 的12 个时间段，本文提出的 Prophet - DCRNN 模型在 RMSE 、 MAPE 两个指标上均优于单独使用的 Proph - 254 表2 Prophet 馈测时1日j/min 5 10 15 20 25 30 35 40 45 50 55 60 RMSE 6. 86 6.87 6.89 6. 90 6. 92 6. 93 6. 94 6.95 6. 96 6. 97 6.97 6.98 MAPE/% 10. 84 10.87 10. 90 10. 92 10. 95 10.97 10.99 11.01 11.03 11.05 11.06 11.07 RMSE 2. 88 3.60 4.03 4. 24 4. 36 4.51 4.61 4. 78 4.88 4. 97 5.08 5. 16 各算法交通流量预测实验结果对比 DCRNN MAPE/% 3. 259 3.796 4. 104 4.334 4. 490 4.663 4.782 5.020 5. 194 5. 321 5.493 5.644 2021年第3期 Prophet-DCRNN RMSE 2. 66 3. 24 3.52 3. 65 3.73 3.93 4.00 4. 17 4. 31 4. 33 4.54 4.73 MAPE/% 2.89 3.37 3.69 3.87 4.05 4. 32 4.48 4. 81 4. 99 5.08 5.31 5.50 et 算法和 DCRNN 算法。相比于 Prophet 模型，在 RMSE 指标上最低降低32. 31%，最高降低 61. 23% ， 在 MAPE 指标上最低降低50. 32% ， 最高 降低73.36%;相比于0〇^~模型，在1«^£指标 上最低降低3. 42%，最高降低 M . 34%，在 MAPE 指 标上最低降低2. 53% ,最高降低11. 40%。 [2] WAGNER-MUNS I M, GUARDIOLA I G, SAMA- RANAYKE V A, et al. A functional data analysis ap proach to traffic volume forecasting [ J ]. IEEE Transac tions on Intelligent Transportation Systems, 2018, 19 (3) ： 878-888. [3] SONG X, LI W, MA D, et al. A match-then-predict method for daily traffic flow forecasting based on group method of data handling [ J ]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(11) ：982-998. 4结语 [4] WANG J , SHI Q. Short-term traffic speed forecasting hy brid model based on Chaos - Wavelet Analysis-Support Vector Machine theory[J]. Transportation Research Part C: Emerging Technologies, 2013，27:219-232. 本文提出了融合多模态信息的 Prophet-DCRNN 交通预测方法，利用 Prophet 时序预测算法捕获节假 日效应，采用 DCRNN 捕获交通时空特性，此外采用 类 stacking 技术，融合 Prophet 算法、 DCRNN 算法及 节假日、天气信息，得到最终融合多模态信息的混合 模型，并结合洛杉矶高速交通数据对模型性能进行 了测试，实验结果表明本文提出的 Prophet-DCRNN 性能远优于 Prophet 模型且由于 DCRNN 模型。进 一步的工作拟引人流计算技术，面向地铁、公安检查 站领域进行交通预测。 [7] 参考文献： [5] YANG Z S, MEI D, YANG Q F, et al. Traffic flow pre diction model for large-scale road network based on cloud computing[ J ]. Mathematical Problems in Engineering, 2014(3) ：l-8. [6] ZHANG L, LIU Q, YANG W, et al. An improved K- nearest neighbor model for short-term traffic flow predic tion [J ]. Procedia - Social and Behavioral Sciences， 2013, 96：653-662. MYUNG J, KIM D K, KHO S Y, et al. Travel time pre diction using k nearest neighbor method with combined data from vehicle detector system and automatic toll col lection system [ J ]. Transportation Research Record Jour nal of the Transportation Research Board, 2011, 20 ： 51-59. [1] DING C, DUAN J, ZHANG Y, et al. Using an ARIMA- GARCH modeling approach to improve subway short-term ridership forecasting accounting for dynamic volatility [J ]. IEEE Transactions on Intelligent Transportation Sys- terns, 2017, 19(4) ： 1054-1064. (下转第 264 页） 264 f阐龙嗜叫玄拎*1杈 flector based on MIM waveguide filled with phase-change material[J]. Plasmonics, 2019, 14(14)： 1735-1740. 2021年第3期 [21 j CALOZ C. Electromagnetic Metamaterials： Transmission Line Theory and Microwave Applications[M]. Hoboken: Wiley & Sons Inc. , 2006. [15 ] QIAN C, ZHENG B, SHEN Y, et al. Deep-learn ing-enabled self-adaptive microwave cloak without hu man intervention[ J] . Nature Photonics, 2020, 14： 383-390. [16] 吴翔，裴志斌，屈绍波，等.基于超材料等效介质理 论的带通频率选择表面设计及验证[ J ].红外与毫米 波学报，2011, 30(5) :469474. [17] PENDRY J B, HOLDEN A J, STEWARt W J, et al. Ex- tremely low frequency plasmons in metallic mesostructures ；J]. Physical Review Letters, 2001, 87 ( 25 ) ： 4773- 4776. [18] 屈绍波，王甲富，马华，等.超材料设计及其在隐身 技术中的应用[ M ].北京:科学出版社，2013. [19] SHEET： SMV2019-SMV2023 Series： Hyperabrupt June- tion Tuning Varactors. October 7, 2009 [20] YEOM K W. Microwave Circuit Design： A Practical Ap proach Using ADS Design [ M ]. Upper Saddle River： Prentice Hall Press, 2015. 作者简介 郭少军（1985_),男，湖南人，助理研 究员，主要研究超表面材料，超构材料的 设计与特性表征； E-mail ：guoba2000@ 163. com 邹春荣（ 1987—),男，福建人，副研究贾，主要研究陶瓷 材料设计与制备，超构材料的特性表征； 周晓松（1990—），男，江苏人，助理研究员，主要研究材 料力学特性表征，超表面材料的特性分析； 于化鹏（1985—),男，安徽人，副研究员，主要研究超构 材料在导航领域的应用； 沈同圣（1968—)，男，江苏人，研究员，主要从事超构材 料智能设计与应用。 (上接第254页） [8] LIU Y, FE NG X, WANG Q, et al. Prediction of urban road congestion using a bayesian network approach [ J ]. Procedia - Social and Behavioral Sciences, 2014, 138： 671-678. [9 ] GUO S, LIN Y, FENG N, et al. Attention based spatial- temporal graph convolutional networks for traffic flow fore- castingf J]. Proceedings of the AAAI Conference on Arti ficial Intelligence, 2019, 33 ： 922-929. [10] SONG C, LIN Y, GUO S, et al. Spatial-temporal syn chronous graph convolutional networks： A new framework for spatial-temporal network data forecasting [ J ]. Pro ceedings of the AAAI Conference on Artificial Intelli gence, 2020, 34： 914-921. [11] LI Y G, YU R, SHAHABI C, et al. Diffusion convolu tional recurrent neural network ： Data - Driven traffic fore- casting[C]// 2018 ICLR. Vancouver： [ s. n. ] , 2018： [14] 高学攀，廖士中.基于贝叶斯网络的林火概率预测系 统设计与实现[〗].计算机工程与应用，2017,53 (13) ： 246-251. [15] 阎嘉琳，向隆刚，吴华意，等.基于LSTM的城市道路 交通速度预测[J].地理信息世界，2019,26 (5): 79-85. 作者简介 宋凯蟲（1986-)，男，河北人，工程 ’ ’ 、 师，研究领域为大数据； E-mail ：********************.cn 张欣海（1975—),男，辽宁人，研究员高级工程师，主要 研究方向为大数据与人工智能应用技术； 侯位昭（1979—)，男，河北人，高级工程师，研究领域为 人工智能； 陈晓东（1994—),男，河北人，硕士研究生，助理工程 师，研究领域为大数据与人工智能应用技术； 韩志卓（1992—)，女，河北石家庄人，硕士研究生，助理 工程师，主要研究方向为大数据与人工智能应用技术。 1 - 10 . [12] TENG S H. Scalable algorithms for data and network a- nalysis. Foundations and Trends R in Theoretical Com puter Science [J]. Foundations and Trends, 2016， 12 (1 -2) ： 1-274. [13] TAYLOR S J, LETHAM B. Forecasting at scale [ J ]. American Statistician, 2018： 72(1) ： 37^5.
发布者：admin，转转请注明出处：http://www.yc00.com/news/1712939822a2151988.html
评论列表（0条）