【《基于可学习门控图卷积残差网络的交通流预测分析案例》10000字（论文）】

基于可学习门控图卷积残差网络的交通流预测分析案例目录TOC\o"1-3"\h\u19009基于可学习门控图卷积残差网络的交通流预测分析案例 [54]进行对比，ASTGCN是一种注意力时空图卷积网络，和MLGGCRN一样，它也考虑了日周期性和周周期性，采用了3个分支进行预测。1.5.4实验设置训练模型之前首先需要设置好参数，在LGGCRN模型中残差块的个数设置为3，每个残差块中各模块的参数相同。具体而言，输入全连接层的神经元数量设置为20，也就是说首先把输入数据映射成20维。残差块中的多感受野空洞卷积模块由4层空洞因果卷积构成，每层的扩张率依次为1，2，4，8，输出通道数分别为40，80，160，320，4层空洞因果卷积的输出经过拼接后用通过一个1×1的卷积层将通道数衰减为80。LGGCN模块中节点编码设置为10，切比雪夫多项式的阶数设置为2，为了实现残差连接，LGGCN模块还采用一个全连接层将输出维度变换成20。另外实验中涉及到的其他参数包括batchsize、节点数、输入特征维度、输入时间序列长度、输出时间序列长度。batchsize可根据GPU显存大小灵活的调整，实验中设置为64。节点数取决于数据集，对于PEMSD4数据集应设置为307，对于PEMSD8数据集应设置为170。PEMSD4和PEMSD8包含流量、速度、车道占用率3种特征，本章主要关注交通流预测问题，只需要用到流量数据，因此输入特征维度设置为1。在用LGGCRN模型进行实验时我们利用1小时的历史流量数据预测未来1小时的交通流，因此输入时间序列长度和输出时间序列长度均设置为12。在用MLGGCRN模型进行实验时，各个分支中的模型参数都与单分支LGGCRN模型相同，不同的是3个分支的输入序列长度，趋势性、日周期性、周周期性分支的输入序列长度分别设置为24，12，24，这与ASTGCN中的设置相同，保证了对比的公平性。训练模型时采用L1损失函数，多步预测的L1损失定义如下： LWθ=其中，Wθ代表模型中全部的可学习参数，X:,i1.5.5实验结果模型训练完成后在测试集上对模型性能进行评估，加载训练过程中保存的最好的模型，对训练集中的样本进行预测，然后对预测结果进行反归一化： X'=X其中，X是预测结果，σ和m分别表示样本标准差和平均值，X'表3-1LGGCRN与STGCN、T-GCN、DCRNN在PEMSD4数据集上的对比Tab.3-1ComparisonofLGGCRN,STGCN,T-GCNandDCRNNinPEMSD4datasetMAERMSEMAPESTGCN21.1634.8911.83%T-GCN21.5431.3215.5%DCRNN21.2231.4414.17%LGGCRN19.7732.0411.37%表3-2LGGCRN与STGCN、T-GCN、DCRNN在PEMSD8数据集上的对比Tab.3-2ComparisonofLGGCRN,STGCN,T-GCNandDCRNNinPEMSD8datasetMAERMSEMAPESTGCN17.527.0911.29%T-GCN17.5726.5311.16%DCRNN16.8226.3610.92%LGGCRN15.7424.9210.64%从表中可以看到，与基线方法相比，LGGCRN模型在两个数据集上的预测准确性都有显著的提升。三种基线方法都是基于预定义的邻接矩阵进行图卷积操作，只能基于路网的连通性聚合邻居节点的信息，无法学习到路网中隐含的空间相关性，因此预测效果比较差。此外，T-GCN和DCRNN都是采用GRU建模空间相关性，不能很好的捕获长期的时间依赖性，而且DCRNN中采用seq2seq的自编码器结构也会造成误差的积累。相反，LGGCRN采用可学习的图卷积能够捕获到路网中潜在的空间相关性，并且还可以利用空洞因果卷积扩大时间上的感受野，从而有效地建模长期的时间相关性。为了评估模型的计算复杂度，对不同模型在测试集上的测试时间进行对比，每个模型都测试5次取平均值，在两个数据集上的对比结果如下表所示：表3-3不同模型的测试时间对比（单位：毫秒）Tab.3-3Testtimecomparisonofdifferentmodels(unit:ms)STGCNT-GCNDCRNNLGGCRNPEMSD4271.4835.82328.11260.7PEMSD8244.9561.21698.7775.3从表3-3可以看到，所有模型在PEMSD4上的测试时间都比PEMSD8要长，这是因为PEMSD4的节点数比PEMSD8多。另外，在3种基线方法中，STGCN测试时间最短，这是因为STGCN在建模时间相关性方面采用的是1-D卷积，而T-GCN和DCRNN都是采用的循环神经网络，循环神经网络在计算下一时刻的隐含状态时需要用到上一时刻的隐含状态，因此计算速度较慢，而且DCRNN采用的是seq2seq的自编码器结构，这进一步增加了计算量，因此DCRNN的测试时间比T-GCN长。LGGCRN中由于堆叠了较多的残差块，因此模型计算复杂度较高，测试时间比较长。虽然与其他模型相比DCRNN和LGGCRN的测试时间比较长，但都在数秒以内，能够满足实际需求。为了更加直观的比较模型的预测性能，随机选择一个节点可视化地显示预测结果，图3-5展示了LGGCRN和最优的基线方法DCRNN对PEMSD8数据集中48号节点一天的预测结果，其中红色曲线表示真实值。从图中可以看到，LGGCRN与红色曲线重合度比较高。DCRNN的误差主要集中在高峰时段，这是因为循环神经网络对时间序列的突变响应不敏感。图3-5PEMSD8数据集48号节点预测结果对比Fig.3-5Comparisonofpredictionresultsofnode51inPEMSD8dataset为了验证门控机制在缓解过平滑问题上的有效性，将LGGCRN中的门控机制去掉得到LGCRN并在PEMSD8上进行实验，实验结果如表3-4所示：表3-4LGGCRN和LGCRN在PEMSD8数据集上的对比Tab.3-4ComparisonofLGGCRNandLGCRNinPEMSD8datasetMAERMSEMAPELGGCRN15.7424.9210.64%LGCRN16.0625.1410.88%从表中可以看到，去掉门控机制后预测误差增大，这是因为门控机制能够在每个图卷积层自适应地选择更新节点信息或保留上一层的节点信息，从而能够有效地学习到每个节点的特征表达。图3-6直观地显示了去掉门控机制前后PEMSD8数据集中124号节点的预测效果，可以看到，去掉门控机制后误差有所增加。图3-6LGGCRN与LGCRN在PEMSD8数据集中124号节点预测结果对比Fig.3-6Comparisonofpredictionresultsoflggcrnandlgcrnatnode124inPEMSD8dataset为了进一步证明门控机制缓解过平滑问题的有效性，我们将LGGCRN和LGCRN最后一个残差块中图卷积模块的输出特征图归一化到0-1之间，然后以热力图的形式展示在图3-7中，从图中可以明显的看到，去掉门控机制后的特征图太过平滑，节点特征趋于一致，几乎没有区分度了。图3-7LGGCRN和LGCRN图卷积层输出特征对比Fig.3-7ComparisonofoutputfeaturesofthegraphconvolutionallayerofLGGCRNandLGCRN考虑到交通流的日周期性和周周期性，本章用多分支可学习门控图卷积残差网络MLGGCRN进行实验，并且和ASTGCN进行对比，由于ASTGCN论文中只计算了MAE和RMSE这2个指标，因此这里只对比这2个指标。在两个数据集上的实验结果如下表所示：表3-5MLGGCRN和ASTGCN在PEMSD4数据集上的对比Tab.3-5ComparisonofMLGGCRNandASTGCNinPEMSD4datasetMAERMSEASTGCN21.832.82MLGGCRN19.8532.1表3-6MLGGCRN和ASTGCN在PEMSD8数据集上的对比Tab.3-6ComparisonofMLGGCRNandASTGCNinPEMSD8datasetMAERMSEASTGCN16.6325.27MLGGCRN15.5724.7从表中可以看到，与ASTGCN相比，MLGGCRN在两个数据集上的预测性能都有极大的提升，这表明可学习的图卷积和门控机制相结合能够有效地建模路段之间的空间相关性。对比表3-5中MLGGCRN和表3-1中LGGCRN的MAE和RMSE