1 引言

随着居民出行需求的增多，交通拥堵问题日益严重。据美国实时交通信息解决方案提供商Inrix报道，每个美国司机平均每年有97 h被堵在了半路，时间成本折算成经济损失，拥堵的"代价"为人均1 348美元。交通流预测（Traffic Flow Prediction, TFP）作为智能交通系统的重要组成部分，对于缓解城市交通拥堵、优化交通规划具有重要意义。

交通流预测的主要任务是根据历史交通流数据，预估未来某一时间段内某一区域或道路上的车辆数量。现有的交通流预测方法大多侧重于区域级的交通数据，这些区域交通数据虽然能够提供一定程度的交通信息，但难以反映路网精细的交通流变化。城市化进程的加快使得对精细的交通流预测需求日益迫切，道路级交通流预测逐渐受到了研究者的重视。道路级交通流预测可以更好地帮助用户选择路线，更有效地提高出行效率等。

2 交通流预测研究基础

2.1 问题定义

城市范围内的交通路网可以定义为图G(N)，其中N表示道路段的集合。将路段i在时间间隔t的交通流记为x_t^i。整个交通路网在时间间隔t的交通流表示为M_t={x_t^1, x_t^2, x_t^3, ..., x_t^N}。

2.2 交通流时空特征分析

时间特征是理解交通流的重要因素，体现于交通流的日周期性与周周期性之中。这是因为个体的日常活动往往有规律性，即在每天的特定时段重复过去一天的活动，并在上周对应日的同一时间重复这一模式。如图1所示，交通流在每天都呈现出3个明显的高峰时段，分别集中在9:00、12:00和19:00左右。进一步观察周周期性，可以发现交通流量通常在工作日达到峰值，在周日降至低点。这种周期性模式对于指导交通流量预测具有重要意义。

3 基于注意力时空神经网络的道路级稀疏交通流预测流程

预测流程如图4所示。首先基于改进的密度聚类算法，对原始轨迹数据进行预处理，随后采用HMM地图匹配，获取精确的道路级交通流数据。然后采用面向路网的自适应紧凑二维图像表示方法，实现路网的2D图像表示。最后，本文提出了2种新的注意力时空模块，一个专注于时间相关特征提取的注意力时空记忆块（ASTM block），一个专注于空间稀疏特征提取的注意力时空聚焦块（ASTF block）。为了模拟交通流的最近、日周期和周周期3种时间特征，基于上述2种模块构建了最近模组、日周期模组和周周期模组，3个模组与包含日期信息、温度数据的外部模组共同组成了ASTNN。

4 实验设计及结果分析

4.1 实验区概况及数据来源

成都是中国四川省的省会，位于四川盆地西部，是中国西南地区的重要中心城市。作为西南地区的交通枢纽，成都拥有发达的交通网络，包括城市轨道交通、城市道路。成都市路网呈典型的环形放射结构，现已基本形成了5条环线和高达20余条射线的快速路网。本文以成都市三环区域内的"快速公路"、"干线"、"一级"、"二级"、"三级"五级道路为研究对象，研究区域的路网如图9所示。城市范围路网数据来自Openstreetmap(www.openstreetmap.org)。本研究使用出租车流量来估计城市范围内的交通流量。使用的数据集包括2014年8月3日—8月30日成都出租车超过14亿条GPS记录。其中，训练集包含2014年8月3日—22日共20 d的数据，测试集包含2014年8月23日—30日共8 d的数据。

4.2 地图匹配

4.2.1 原始轨迹序列数据的预处理

为了减少冗余轨迹点，提高匹配算法的效率，本研究对原始轨迹序列数据进行了预处理。表1是预处理前、后轨迹与路网匹配的时间对比。由表1可见，经过预处理后，车辆的匹配时间大幅降低，减少了约73.6%。本研究的实验环境为：16 GB内存，Intel Core i5-8300H 4核2.3 GHz处理器，4 GB Nvidia GeForce GTX 1050Ti显卡。

4.2.2 地图匹配

本文利用基于HMM的leuven地图匹配算法将轨迹序列匹配到路网上，匹配结果如图10(a)所示，图中每个红点代表出租车的位置。基于匹配的出租车位置信息得到图10(b)中的道路级交通流数据。

4.3 自适应紧凑2D图像生成

提取成都市三环内8 935个路段，采用面向路网的自适应紧凑二维图像表示方法生成2D图像。将8 935个路段转换为96像素×96像素的图像，填充率为96.95%，由图11可见，路网中有很多没有流量的路段，这也可以看出交通流数据是稀疏的。

4.4 交通流量预测

4.4.1 数据归一化

本文使用Min-Max方法将输入图像的像素值缩放到0~1的范围内，如式(10)所示。然后，通过均值和标准差进行归一化，缩放到-1~1的范围内，以满足输入的要求。

4.4.2 模型训练细节

本文中，p=3, k₁=1, k₂=1。在训练开始前，选择Adam做为优化器，MAE作为损失函数，批量大小设置为32，训练epoch数设置为30，初始学习率为1e-4。在训练过程中，采用时间衰减策略调整学习率，每5个epoch学习率降低到原来的10%。

4.4.3 模型评估指标

本研究使用的评价指标包括均方误差(MSE)、平均绝对误差(MAE)和R平方(R²)。MSE通过计算平方差来衡量模型的拟合程度。MAE测量预测和真实之间的平均绝对差。R平方测量观测数据中可由模型解释的变异比例，表明模型与数据的拟合。较高的R平方表明对观测数据的变异性有更好地解释。