Использование сверточных нейронных сетей для прогнозирования скоростей транспортного потока на дорожном графе

Краткосрочное прогнозирование потока трафика является одной из основных задач моделирования транспортных систем, основное назначение которой — контроль дорожного движения, сообщение об авариях, избежание дорожных пробок за счет знания потока трафика и последующего планирования транспортировки. Существует два типа подходов для решения этой задачи: математическое моделирование трафика и модель с использованием количественных данных трафика. Тем не менее большинство пространственно-временных моделей страдают от высокой математической сложности и низкой эффективности. Искусственные нейронные сети, один из видных подходов второго типа, показывают обещающие результаты в моделировании динамики транспортной сети. В данной работе представлена архитектура нейронной сети, используемой для прогнозирования скоростей транспортного потока на графе дорожной сети. Модель основана на объединении рекуррентной нейронной сети и сверточной нейронной сети на графе, где рекуррентная нейронная сеть используется для моделирования временны́х зависимостей, а сверточная нейронная сеть — для извлечения пространственных свойств из трафика. Для получения предсказаний на несколько шагов вперед используется архитектура encoder–decoder, позволяющая уменьшить накопление шума из-за неточных предсказаний. Для моделирования сложных зависимостей мы используем модель, состоящую из нескольких слоев. Нейронные сети с глубокой архитектурой сложны для тренировки; для ускорения процесса тренировки мы используем skip-соединения между каждым слоем, так что каждый слой учит только остаточную функцию по отношению к предыдущему слою. Полученная объединенная нейронная сеть тренировалась на необработанных данных с сенсоров транспортного потока из сети шоссе в США с разрешением в 5 минут. 3 метрики — средняя абсолютная ошибка, средняя относительная ошибка, среднеквадратическая ошибка — использовались для оценки качества предсказания. Было установлено, что по всем метрикам предложенная модель имеет более низкую погрешность предсказания по сравнению с ранее опубликованными моделями, такими как Vector Auto Regression, LongShort-Term Memory и Graph Convolution GRU.