基于多任务学习和GCN的交通路网出租车需求预测
1、文章信息
文章题目为《Multitask Learning and GCN-Based Taxi Demand Prediction for a Traffic Road Network》，是一篇发表在Sensors期刊上的有关基于多任务学习进行出租车需求预测的文章。
2、摘要
随着城市的发展，出租车成为城市中的一种重要的出行方式。在智能交通研究，准确的预测出租车需求是一大的热点，但由于其复杂的时空依赖性、动态性和不确定性，对出租车需求的预测极具挑战。为了充分利用道路交通流的全局和局部的相关性，本文提出了一种基于图卷积网络、长短时记忆(LSTM)和多任务学习的深度学习模型。
首先，考虑道路网络中出租车出行的空间格局分布，建立无向图模型；然后，利用LSTMs提取交通流的时间特征；最后，采用多任务学习策略对模型进行训练，以提高模型的可泛化性。
文章的创新点可以分为以下三点：
1、提出了一种基于图卷积网络（Graph Convolutional Networks）预测出租车出发、到达流的模型。同时，为了实现道路水平预测，在构建交通流图时，不是将城市空间划分为网格，而是采用路段作为节点，出租车需求作为节点的特征。
2、基于路段的局部相关性和全局相关性构建了两种类型的交通流图。这些图被称为直接图（direct graph）和间接图（indirect graph）。直接图基于路网拓扑构造，该图综合路段间的局部连通性和空间相关性。而间接图通过考虑交通网络中所有路段之间的全局相关性，从而判断不同路段间是否连通。
3、将出发流预测任务和到达流预测任务相结合，采用多任务学习策略加快学习过程，避免过拟合，得到更一般化的结果。
文章选取了两条路段的数据进行可视化，如下图所示。
可以看到这两条路段间存在相似性。接着进行了相似度的计算，如下图所示。
通过上图可以进一步证明路段间是存在相似性的，证明文章的可行性。
在实验中，通过对真实的出租车轨迹数据的验证，证明了该方法的有效性和准确性。同时，实验结果表明，该模型能够有效地预测交通网络层面的短期出租车需求，且优于现有的交通预测方法
3、文章结构
-
介绍了出租车需求的研究现状，以及深度学习模型及图卷积网络（GCN）在出租车需求预测中的现状。
-
介绍了写作动机，当前大部分使用图卷积网络预测时，图的构成是基于路段的物理连接，文章认为一些非物理连接路段的进出流应该存在相似性。提出了直接图（direct graph）以及间接图（indirect graph）。
-
介绍了各个参数的含义，以及用于获取时间序列相似性，也就是计算不同时间序列相似度用到了Fast-DTW算法。
（有关Fast-DTW以及DTW算法的补充：https://www.cnblogs.com/kemaswill/archive/2013/04/18/3029078.html）
-
提出了多任务预测模型。
-
将模型应用到实际数据中，获取结果并比对。
4、模型结构
模型的基本框架如下图所示：
整个模型可以分为四个模块：数据处理模块、特征提取模块、生成图模块、网络搭建和训练模块。
数据处理模块：
这一部分主要是删除数据中重复和无效的部分，进一步，由于是GPS数据，存在数据偏移的问题，为了修正GPS数据，文章采用基于隐马尔可夫（Hidden Markov）的地图匹配算法，对所有轨迹进行数据匹配。
特征提取模块：
该模块主要从出租车轨迹中提取乘客上、下车的位置，并根据时间段计算各路段的出行时间。从而得到某一时段内各路段出租车发车流和到达流，这一部分数据主要用于构造非直接图。对于每个路段，根据城市路网的拓扑结构提取相邻路段，这一部分数据主要用于构造直接图。
生成图模块：
这一模块主要是借助上一模块得到的数据，生成网络所需的输入数据。在生成图的过程中，生成了四种图，分别是：出发和到达的全局关系图和局部关系图。具体构建方法如下：
1、根据路段之间的连通性（物理连接），生成局部关系图的邻接矩阵。
2、通过计算不同路段的出发/到达流序列相似性，得到全局关系图的邻接矩阵。
出发和到达的局部关系图其实是一致的，而全局关系图是不同的。
网络搭建和训练模块：
最后一部分是基于GCN和LSTM网络预测出发流量，并结合多任务学习策略对模型进行训练。在多任务学习中，以出租车出发流预测作为主要任务，出租车到达流预测作为相关任务，有助于提高预测精度。
网络的基本框架如下图所示：
整个网络也可以分为三个模块：局部和全局空间特征提取模块、时间特征提取模块、特征融合模块。接下来细说这三个模块的功能和原理。
1.局部和全局空间特征提取模块
在该模块中，将路段设置为图的节点，每个节点的特征包括该节点对应路段产生的历史到达流序列。设路段总数为R，历史时段数为K，则图的特征矩阵为X，其维度为K * R，相邻矩阵为A，其维度为R * R（对于直接图，邻接矩阵就代表其物理连接；而对于非直接图，其邻接矩阵是由路段之间的相似度构成的矩阵，相似度是通过Fast-DTW算法计算获得）。
该模块由两层GCN+GLU组成。
其中GCN层的行为如下：
GCN+GLU+BN层的行为如下：
其中ReLu采用的是Leaky ReLu，最终的输出结果是一个KR的矩阵。
2.时间特征提取模块
该模块的输入为上一模块的输出，即一个K * R的矩阵，进入一个LSTM网络获取其时间特征。LSTM的具体结构图如下所示：
进一步其中的每个变量的计算方法如下：
其中，xt表示输入（此处为一个K * R的矩阵），W和U表示权重，b是偏置项，it、ft、ot分别表示输入门、遗忘门、输出门对应的输出项。
参数更新方法如下：
最终LSTM模块的输出结果是一个维度为1 * R的矩阵（其中R表示路段数）
3.特征融合模块
通过不同的输入，可以获取两种变量，一种是局部路段关系图，另一种是全局路段关系图，这两种变量的维度均为1R。将这两种变量进行拼接，得到一个2R的矩阵，输入到二维卷积网络中（kernel_size=21，stride=1, padding parameter was set to VALID），输出一个1 * R的矩阵，即每个路段下一个时间步的预测结果。
由于是多任务学习，损失函数为加权求和的形式，
上车客流的损失函数：
下车客流的损失函数：
总损失函数：
5、实验结果及分析
实验所用的数据集是来自西安的真实出租车轨迹。这些轨迹来自1万多辆出租车，覆盖了2万个路段。在每辆出租车中，GPS设备记录了车辆ID、时间戳、经纬度、车速和行驶方向，以及车辆的国家代码。
文章选取了每周7天的数据，前六天的数据作为训练集，第七天的数据作为测试集，此外，文章选择了出发流量大于15次/天的路段，共851个路段。在现有研究中，对于发车流量较小的路段，如15个/天，不作为主干道路段，而是作为一些分支路段的代表，如与主干道相连的一个小分支。这些路段对流量预测的影响很小，在大多数研究中往往被忽略。同样的，这些影响在本研究中也没有考虑。此外，文章将每天划分为288个时间段，每个时间段为5分钟。
文章采用了RMSE、MAE作为评价指标。
模型训练过程中的损失函数曲线如下图所示（左图表示在训练集上的结果，右图表示在测试集上的结果）
从图中可以看出，文章提出的模型经过了适当的训练，没有过度拟合。下图显示了模型训练过程中的RMSE曲线。
7、总结
文章提出了一种多任务学习机制，通过对于进、出站客流的直接图和间接图的分析与融合，通过简单的网络，实现了对于城市出租车需求的预测。
Attention
如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！
