轨迹驱动的多层时空图神经网络交通路况短期预测

城市交通路况的短期预测是支持交通管理、在线导航的基础应用。出租车轨迹作为低成本、高时空覆盖率的交通监测数据类型,已广泛用于提取实时路况,支持路况短期预测。然而出租车轨迹时空覆盖极不均衡,导致大量的路段和时段轨迹数据缺失或覆盖率不足,难以直接基于轨迹数据精确估计全路网所有路段全天候的交通状态,精度和可靠性都不能满足实时交通路况估计和短期预测的需要。因而基于不均衡轨迹数据的全路网交通路况在线短期预测成为大城市交通精细化监测和管理的一大技术难题。本文针对轨迹数据的时空分布不均衡问题,设计了路网的动态分层方法,将城市路网根据轨迹的时空分布划分为多层路网,包括轨迹质量较好的主干路网以及轨迹分布较为稀疏的次级路网。在分层路网基础上,我们提出轨迹驱动的多层时空图神经网络路况短期预测方法,依托不同路网层级建立多层时空图神经网络,设计顾及轨迹时空分布的层内和层间消息传递机制,基于因果膨胀卷积和图注意力描述路网之间复杂的路况时空关联。在路况关联表征模型基础上,设计实现了表征-预测一体化的集成端到端图神经网络预测模型,可同时对全路网所有路段的速度和状态进行在线预测,有效提升轨迹分布稀疏路段的路况预测质量。通过武汉市大型路网的真实轨迹数据测试,本方法比基线方法在预测精度上有显著改善,特别是在轨迹数据缺失较严重的路段上取得了较好的预测性能,同时训练效率也有显著提升,表明所提出的多层时空图神经网络预测方法能有效地应对轨迹分布不均衡导致的路况预测难题。