作者簡(jiǎn)介：

周宗凱（1974—），工程師，主要從事高速公路監(jiān)理工作。

摘要：為了提升市政主干道的通行效率，緩解市政交通擁堵程度，實(shí)現(xiàn)市政道路的智能管理，構(gòu)建市政道路智能管理系統(tǒng)，文章利用GraphSAGE聚合算法對(duì)圖卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，同時(shí)引入注意力機(jī)制來(lái)計(jì)算鄰居節(jié)點(diǎn)的權(quán)重系數(shù)，完成對(duì)次要數(shù)據(jù)信息的篩除，簡(jiǎn)化了圖卷積網(wǎng)絡(luò)的處理過(guò)程；構(gòu)建了包括2圖卷積網(wǎng)絡(luò)層+2門(mén)控循環(huán)單元層+1全連接層的車流量預(yù)測(cè)模型。該模型較GCN-LSTM模型、GCN模型、GRU模型和LSTM模型的預(yù)測(cè)精度分別提升了17.4%、39.2%、42.1%和51.8%，具有較高的預(yù)測(cè)精度和穩(wěn)定性，可全面提升系統(tǒng)的管理效率。

關(guān)鍵詞：市政道路智能管理系統(tǒng)；GraphSAGE聚合算法；圖卷積網(wǎng)絡(luò)；注意力機(jī)制；車流量預(yù)測(cè)模型

中圖分類號(hào)：U491.1+4文獻(xiàn)標(biāo)識(shí)碼：A 60 198 4

0 引言

隨著經(jīng)濟(jì)社會(huì)發(fā)展，城市道路車流量逐年增加，導(dǎo)致許多城市出現(xiàn)了極為嚴(yán)重的交通擁堵情況，給人們的出行帶來(lái)很多不便［1-2］。傳統(tǒng)的道路誘導(dǎo)一般采用信號(hào)燈或者限號(hào)方式來(lái)進(jìn)行控制，這種方法雖然簡(jiǎn)單，但已經(jīng)不能滿足復(fù)雜市政道路的現(xiàn)代化管理，有必要根據(jù)交通流現(xiàn)狀設(shè)計(jì)市政道路智能管理系統(tǒng)來(lái)實(shí)現(xiàn)路網(wǎng)交通的有效疏導(dǎo)和協(xié)同管理，幫助管理人員對(duì)路網(wǎng)實(shí)現(xiàn)精準(zhǔn)管控［3-5］。

計(jì)算機(jī)技術(shù)和通信技術(shù)的快速發(fā)展，為建立高效智能化的路網(wǎng)管理系統(tǒng)提供了可能。通過(guò)數(shù)據(jù)挖掘技術(shù)和各種機(jī)器學(xué)習(xí)模型，開(kāi)展對(duì)交通標(biāo)志的識(shí)別、車輛的檢測(cè)、行人的檢測(cè)等研究，極大地提升了交通系統(tǒng)的安全性和舒適性，尤其是通過(guò)遺傳算法來(lái)解決復(fù)雜路徑的車輛協(xié)調(diào)問(wèn)題，很大程度上緩解了交通擁堵問(wèn)題。在智能交通系統(tǒng)中，交通流預(yù)測(cè)是最為重要的組成部分，其發(fā)展對(duì)于交通管理系統(tǒng)的使用效率具有決定性的意義。當(dāng)前，用于交通流預(yù)測(cè)的模型或者方法有許多，如卷積神經(jīng)網(wǎng)絡(luò)法（CNN）、圖卷積網(wǎng)絡(luò)法（GCN）、長(zhǎng)短時(shí)記憶法（LSTM）等，其中GCN法更側(cè)重于交通流的空間特征［6-8］，LSTM法更側(cè)重于交通流的時(shí)間特征，因此，很多時(shí)候?qū)煞N方法進(jìn)行融合，即采用GCN-LSTM對(duì)交通流進(jìn)行預(yù)測(cè)［9-10］。但該計(jì)算過(guò)程較為復(fù)雜，不易操作，有必要對(duì)現(xiàn)有交通流預(yù)測(cè)方法進(jìn)行改進(jìn)。

本文提出利用GraphSAGE聚合算法對(duì)圖卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，同時(shí)引入注意力機(jī)制來(lái)計(jì)算鄰居節(jié)點(diǎn)的權(quán)重系數(shù)，構(gòu)建市政道路智能管理系統(tǒng)和車流量預(yù)測(cè)模型，以期能為緩解交通擁堵問(wèn)題提供借鑒。

1 道路智能管理系統(tǒng)構(gòu)建

1.1 系統(tǒng)功能需求

為了實(shí)現(xiàn)市政道路的智能管理，系統(tǒng)必須具備如下功能：（1）電子地圖的實(shí)時(shí)顯示，能夠?qū)γ織l路段的預(yù)測(cè)結(jié)果進(jìn)行展示，并不斷更新；（2）路網(wǎng)視頻實(shí)時(shí)監(jiān)控，對(duì)每個(gè)路口的交通狀況和網(wǎng)絡(luò)攝像頭的工作狀態(tài)進(jìn)行監(jiān)測(cè)；（3）交通信息查詢，可以向管理人員提供各路段的交通流信息數(shù)據(jù)查詢服務(wù)；（4）信號(hào)燈同步配時(shí)，根據(jù)交通流預(yù)測(cè)結(jié)果，當(dāng)路口信號(hào)燈出現(xiàn)配時(shí)不合理情況時(shí)，系統(tǒng)可以自動(dòng)調(diào)整該路口的信號(hào)燈配時(shí)。

1.2 系統(tǒng)開(kāi)發(fā)環(huán)境

系統(tǒng)硬件平臺(tái)處理器選用Intel（R）Core（TM）i7-9750HCPU@2.60 GHz，內(nèi)存大小為16 GB，圖形處理器選用NVIDIA GeForce RTX 2060，操作系統(tǒng)為Windows10。系統(tǒng)軟件平臺(tái)開(kāi)發(fā)框架為PyQt5，開(kāi)發(fā)工具為PyCharm，開(kāi)發(fā)語(yǔ)言為Python，操作工具為Qt Designer和Navicat Premium，數(shù)據(jù)庫(kù)選用MYSQL。

1.3 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

根據(jù)系統(tǒng)功能需求，構(gòu)建市政道路智能管理系統(tǒng)，見(jiàn)圖1。系統(tǒng)由數(shù)據(jù)源端、數(shù)據(jù)管理以及界面管理三部分組成。

數(shù)據(jù)源端主要包括信號(hào)燈控制機(jī)、網(wǎng)絡(luò)攝像頭和主控制機(jī)，其中網(wǎng)絡(luò)攝像頭負(fù)責(zé)對(duì)車流量數(shù)據(jù)進(jìn)行獲取，然后經(jīng)過(guò)信號(hào)燈控制機(jī)和主控制機(jī)處理后將數(shù)據(jù)信息傳

遞給MYSQL數(shù)據(jù)庫(kù)；數(shù)據(jù)管理主要是以MYSQL數(shù)據(jù)庫(kù)為核心的存儲(chǔ)和管理結(jié)構(gòu)；在界面管理中主要?jiǎng)澐譃?個(gè)部分，第一部分為車流量預(yù)測(cè)和電子地圖顯示界面，第二部分為交通狀態(tài)、信號(hào)配時(shí)、交通信息和設(shè)備狀態(tài)4個(gè)功能的數(shù)據(jù)信息管理界面，第三部分為數(shù)據(jù)庫(kù)配制管理界面。在整個(gè)系統(tǒng)中，預(yù)測(cè)車流量是最關(guān)鍵的步驟，是實(shí)現(xiàn)系統(tǒng)功能的前提。

2 系統(tǒng)車流量預(yù)測(cè)算法設(shè)計(jì)

2.1 圖卷積網(wǎng)絡(luò)優(yōu)化算法

市政道路智能管理系統(tǒng)構(gòu)建及車流量預(yù)測(cè)模型研究/

周宗凱

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）只能處理平移不變性的數(shù)據(jù)，但是對(duì)于市政交通流來(lái)講具有拓?fù)浣Y(jié)構(gòu)關(guān)系（時(shí)空性）。為了處理這種拓?fù)浣Y(jié)構(gòu)關(guān)系圖上節(jié)點(diǎn)之間的相互依賴關(guān)系，提出利用圖間距網(wǎng)絡(luò)來(lái)解決拓?fù)浣Y(jié)構(gòu)的計(jì)算問(wèn)題。然而圖卷積網(wǎng)絡(luò)需要在全圖上進(jìn)行計(jì)算，當(dāng)數(shù)據(jù)節(jié)點(diǎn)較多，每一層節(jié)點(diǎn)在進(jìn)行聚合操作時(shí)，由于梯度更新速度慢，且存在數(shù)據(jù)節(jié)點(diǎn)的重復(fù)計(jì)算，容易導(dǎo)致計(jì)算效率降低，浪費(fèi)大量的計(jì)算資源和時(shí)間。為提升圖卷積網(wǎng)絡(luò)的計(jì)算效率，本文提出利用GraphSAGE聚合算法對(duì)圖卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)（GCN算法）。GCN算法的核心思想為：對(duì)聚合函數(shù)的聚合鄰居節(jié)點(diǎn)進(jìn)行訓(xùn)練，將傳統(tǒng)的圖卷積網(wǎng)絡(luò)學(xué)習(xí)轉(zhuǎn)換為歸納學(xué)習(xí)，從而完成對(duì)未知節(jié)點(diǎn)的泛化作用，減少后續(xù)計(jì)算時(shí)間。GCN算法表達(dá)式為：

hlN（v）=aggregatelhl-1vi

（1）

hlv=σWl·concathl-1v，hlN（v）

（2）

式中：hlN（v）——目標(biāo)節(jié)點(diǎn)v在第l層所有鄰居節(jié)點(diǎn)的采樣特征值；

N（v）——目標(biāo)節(jié)點(diǎn)v所有鄰居節(jié)點(diǎn)的集合；

aggregatel——第l個(gè)聚合器；

hlv、hl-1v——目標(biāo)節(jié)點(diǎn)在第l、l-1層的特征值；

σ——sigmoid激活函數(shù)；

Wl——拼接后數(shù)據(jù)在第l圖卷積層中的比重；

concat——將前后兩層采樣聚合后的特征值進(jìn)行拼接。

2.2 圖數(shù)據(jù)注意力機(jī)制

人們?cè)谔幚硇畔?shù)據(jù)時(shí)總會(huì)有選擇性地忽視一些次要信息，這樣可以大大提升對(duì)信息的處理效率。為了進(jìn)一步提升圖卷積網(wǎng)絡(luò)的處理效率，在GCN算法基礎(chǔ)上，繼續(xù)引入圖數(shù)據(jù)的注意力機(jī)制（GAT）。在路網(wǎng)結(jié)構(gòu)中，車流量越大，則目標(biāo)節(jié)點(diǎn)與鄰居節(jié)點(diǎn)之間的注意力系數(shù)越大，也可稱之為權(quán)重系數(shù)，鄰居節(jié)點(diǎn)v到vi的權(quán)重系數(shù)可表示為：

eviv=LeakyReLUWlhlvi‖Wlhlv

（3）

式中：eviv ——權(quán)重系數(shù)；

LeakyReLU——圖卷積網(wǎng)絡(luò)的激活函數(shù)。

為了使權(quán)重分配更加合理，對(duì)所有鄰居計(jì)算得到的系數(shù)進(jìn)行softmax歸一化處理，從而使所有鄰居的權(quán)重系數(shù)之和為0，歸一化處理后的權(quán)重系數(shù)為：

αviv=softmaxeviv=expeviv∑vi∈Nviexpeviv

（4）

根據(jù)注意力機(jī)制加權(quán)之后的目標(biāo)節(jié)點(diǎn)v的特征值可表示為：

hlv=σWl·concathl-1v，∑vi∈Nviαvivhlvi

（5）

2.3 車流量預(yù)測(cè)模型結(jié)構(gòu)

基于圖卷積網(wǎng)絡(luò)優(yōu)化之后的車流量預(yù)測(cè)模型結(jié)構(gòu)見(jiàn)圖2。在圖2中，Input表示輸入端，主要作用是輸入圖和特征數(shù)據(jù)；layer表示網(wǎng)絡(luò)層數(shù)（其中圖卷積網(wǎng)絡(luò)層數(shù)為2，門(mén)控循環(huán)單元層（GRU）數(shù)為2，全連接層數(shù)為1）；ReLU表示圖卷積網(wǎng)絡(luò)的激活函數(shù)；a表示神經(jīng)元細(xì)胞；xm表示輸入的特征數(shù)據(jù)點(diǎn)；DENSE表示全連接層。為了降低計(jì)算難度，GCN算法中聚合器個(gè)數(shù)設(shè)置為2，采樣節(jié)點(diǎn)數(shù)量大小設(shè)置為10。試驗(yàn)數(shù)據(jù)集共包含474個(gè)數(shù)據(jù)點(diǎn)，每個(gè)數(shù)據(jù)點(diǎn)的維數(shù)為57，通過(guò)第一圖卷積網(wǎng)絡(luò)層后，輸出數(shù)據(jù)點(diǎn)個(gè)數(shù)減少至350個(gè)，通過(guò)第二圖卷積網(wǎng)絡(luò)層后，輸出數(shù)據(jù)點(diǎn)個(gè)數(shù)減少至220個(gè)。第一層門(mén)控循環(huán)單元個(gè)數(shù)為100，第二層門(mén)控循環(huán)單元個(gè)數(shù)為10。

2.4 車流量預(yù)測(cè)模型流程

車流量預(yù)測(cè)模型流程見(jiàn)下頁(yè)圖3。（1）將圖數(shù)據(jù)和特征數(shù)據(jù)輸入模型，維數(shù)為57×474；（2）構(gòu)建節(jié)點(diǎn)鄰居矩陣和車流量數(shù)據(jù)矩陣，并進(jìn)行歸一化處理；（3）將歸一化處理過(guò)后的矩陣輸入到第一圖卷積網(wǎng)絡(luò)層中，引入注意力機(jī)制，計(jì)算權(quán)重系數(shù)eviv；（4）利用softmax對(duì)權(quán)重系數(shù)eviv進(jìn)行歸一化處理，得到αviv；（5）選擇加和聚合算子，得到聚合后的一階鄰居節(jié)點(diǎn)特征，此時(shí)數(shù)據(jù)維數(shù)為57×350；（6）將一階鄰居節(jié)點(diǎn)經(jīng)過(guò)Relu變換后輸入到第二圖間距網(wǎng)絡(luò)層中，重復(fù)（3）～（5）步驟，得到二階鄰居節(jié)點(diǎn)特征，此時(shí)數(shù)據(jù)維數(shù)為57×220；（7）將節(jié)點(diǎn)特征經(jīng)Relu變換后輸入到GRU1層中，此時(shí)數(shù)據(jù)維數(shù)為57×100，將GRU1層的輸出數(shù)據(jù)作為GRU2層的輸入數(shù)據(jù)，此時(shí)數(shù)據(jù)維數(shù)為57×10；（8）將經(jīng)過(guò)GRU2層的數(shù)據(jù)作為全連接層的輸入數(shù)據(jù)，最終得到模型預(yù)測(cè)結(jié)果y（數(shù)據(jù)維數(shù)為57×1）。

3 系統(tǒng)應(yīng)用效果

3.1 應(yīng)用背景

某片區(qū)共有57條路和16個(gè)路口，為便于觀察，對(duì)片區(qū)內(nèi)所有路和路口進(jìn)行了編號(hào)，見(jiàn)圖4。以每10 min為一個(gè)周期數(shù)據(jù)點(diǎn)，對(duì)該路段進(jìn)行了連續(xù)10 d的監(jiān)測(cè)，每天監(jiān)測(cè)時(shí)間為8：30-21：30，然后取前6 d的車流量數(shù)據(jù)作為訓(xùn)練集，第7～8 d的車流量數(shù)據(jù)作為驗(yàn)證集，第9～10 d的車流量數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。將測(cè)試得到的數(shù)據(jù)構(gòu)造為特征數(shù)據(jù)集，并隨監(jiān)測(cè)圖像一起輸入到系統(tǒng)中。

3.2 預(yù)測(cè)模型訓(xùn)練參數(shù)

在訓(xùn)練過(guò)程中加入正則化項(xiàng)，以防止模型在訓(xùn)練過(guò)程中出現(xiàn)過(guò)度擬合問(wèn)題。初始學(xué)習(xí)率設(shè)置為0.1，權(quán)重衰減值設(shè)置為5×10-4，訓(xùn)練次數(shù)為200次。為了使訓(xùn)練過(guò)程更加高效化，使用adam優(yōu)化器對(duì)模型網(wǎng)絡(luò)進(jìn)行優(yōu)化。該優(yōu)化器可以自動(dòng)調(diào)整學(xué)習(xí)速率，使學(xué)習(xí)速率始終保持在合理范圍內(nèi)，同時(shí)具有計(jì)算速度快、對(duì)內(nèi)存要求低的特點(diǎn)。

3.3 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文提出的車流量預(yù)測(cè)模型所具備的良好預(yù)測(cè)性能，選擇GCN模型、GRU模型、LSTM模型和GCN-LSTM模型與本文提出車流量預(yù)測(cè)模型的預(yù)測(cè)效果進(jìn)行對(duì)比，主要對(duì)比評(píng)價(jià)指標(biāo)包括損失值（LOSS）和準(zhǔn)確率（ACC）。具體計(jì)算式為：

LOSS=1M∑Mi=1xi-xi∧

（6）

ACC=1-1M∑Mi=1xi∧-xixi×100%

（7）

式中：M——樣本數(shù)據(jù)點(diǎn)數(shù)量；

xi——第i路段的車流量真實(shí)值；

xi∧——第i路段車流量模型預(yù)測(cè)值。

3.4 系統(tǒng)預(yù)測(cè)結(jié)果

不同模型車流量預(yù)測(cè)結(jié)果見(jiàn)表1。由表1可知，對(duì)于模型預(yù)測(cè)損失值而言：LSTM模型gt;GCN模型gt;GRU模型gt;GCN-LSTM模型gt;本文模型；對(duì)于訓(xùn)練集ACC而言：本文模型gt;GCN-LSTM模型gt;GRU模型gt;GCN模型gt;LSTM模型；對(duì)于驗(yàn)證集ACC和測(cè)試集ACC而言：本文模型gt;GCN-LSTM模型gt;GCN模型gt;GRU模型gt;LSTM模型。這表明，本文模型的預(yù)測(cè)性能最佳，不僅具有較高的穩(wěn)定性，而且測(cè)試集ACC較GCN-LSTM模型、GCN模型、GRU模型、LSTM模型分別提高了0.8%、6.2%、7.8%和9.6%。

由于包含了57條路段的車流量信息，對(duì)每一條路段的預(yù)測(cè)結(jié)果進(jìn)行分析不太現(xiàn)實(shí)，故將每種模型預(yù)測(cè)結(jié)果與實(shí)際車流量的差值進(jìn)行疊加，得到5種模型的車流量預(yù)測(cè)差值對(duì)比情況（見(jiàn)圖5）。由圖5可知：在57條路段中，采用本文預(yù)測(cè)模型差值僅為219，而采用GCN-LSTM模型、GCN模型、GRU模型和LSTM模型的差值分別達(dá)到了265、360、378和454，本文預(yù)測(cè)模型差值分別較后面4種模型降低17.4%、39.2%、42.1%和51.8%，這說(shuō)明本文提出的車流量預(yù)測(cè)模型預(yù)測(cè)精度要優(yōu)于其他傳統(tǒng)模型，更加適用于市政道路路網(wǎng)的車流量預(yù)測(cè)。

4 結(jié)語(yǔ)

（1）本文構(gòu)建了市政道路智能管理系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)源端、數(shù)據(jù)管理以及界面管理三部分，預(yù)測(cè)車流量的準(zhǔn)確程度是實(shí)現(xiàn)系統(tǒng)功能的關(guān)鍵。

（2）提出利用GraphSAGE聚合算法對(duì)圖卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，并引入注意力機(jī)制來(lái)簡(jiǎn)化計(jì)算過(guò)程，得到車流量預(yù)測(cè)模型。該模型由2圖卷積網(wǎng)絡(luò)層+2門(mén)控循環(huán)單元層+1全連接層構(gòu)成。

（3）本文提出的車流量預(yù)測(cè)模型較傳統(tǒng)模型具有更高的穩(wěn)定性，車流量預(yù)測(cè)誤差僅為0.000 53，預(yù)測(cè)模型差值分別較GCN-LSTM模型、GCN模型、GRU模型和LSTM模型降低17.4%、39.2%、42.1%和51.8%，具有更高的預(yù)測(cè)精度，更加適用于市政道路路網(wǎng)的車流量預(yù)測(cè)，可以顯著提升系統(tǒng)的管理效率。

參考文獻(xiàn)

［1］岳 昊，任孟杰，楊子玉，等.考慮擁堵空間排隊(duì)與溢出的道路網(wǎng)靜態(tài)交通流分配［J］.中國(guó)公路學(xué)報(bào)，2022，35（7）：241-250.

［2］馮海霞，王 琦，楊立才，等.擁堵環(huán)境下道路交通對(duì)城市空氣質(zhì)量的影響［J］.山東大學(xué)學(xué)報(bào)（工學(xué)版），2021，51（1）：128-134.

［3］滕 威.城市智能交通管理系統(tǒng)開(kāi)發(fā)與實(shí)現(xiàn)［J］.微型電腦應(yīng)用，2020，36（9）：166-169.

［4］史 琳，林山君，曹衍龍，等.基于5G網(wǎng)絡(luò)的道路智能感知管理系統(tǒng)［J］.自動(dòng)化技術(shù)與應(yīng)用，2022，41（5）：92-96.

［5］楊凝紫.基于道路智慧養(yǎng)護(hù)管理系統(tǒng)支持的高速公路惡劣天氣保通工作模式的創(chuàng)新與實(shí)踐［J］.城市公共交通，2020（5）：25-28.

［6］殷 齊，丁 飛，朱 躍，等.基于CNN與多尺度特征融合的城市交通流預(yù)測(cè)模型［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2022，32（10）：175-181.

［7］侯 越，韓成艷，鄭 鑫，等.基于時(shí)空融合圖卷積的交通流數(shù)據(jù)修復(fù)方法［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），2022，56（7）：1 394-1 403.

［8］宋維凱，張洪海，萬(wàn)俊強(qiáng)，等.基于動(dòng)態(tài)時(shí)間規(guī)整和長(zhǎng)短期記憶的空中交通流量短期預(yù)測(cè)［J］.科學(xué)技術(shù)與工程，2022，22（25）：11 256-11 261.

［9］王德廣，張軼楠.基于多種模型組合的短時(shí)交通流預(yù)測(cè)［J］.微型電腦應(yīng)用，2022，38（3）：130-133.

［10］張 陽(yáng)，胡 月，陳德旺，等.基于GCN-BiLSTM的短時(shí)交通流預(yù)測(cè)模型［J］.武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2023（5）：802-806.