[论文解读] Dynamic Origin-Destination Matrix Prediction with Line Graph Neural Networks and Kalman Filter

Xi Xiong, Kaan Özbay+2 more|arXiv (Cornell University)|May 1, 2019

Traffic Prediction and Management Techniques参考文献 30被引用 8

一句话总结

该论文提出了一种混合框架，结合融合线图卷积网络（FL-GCNs）与卡尔曼滤波器，利用交通网络中的路段流量数据预测动态起讫（O-D）矩阵。通过利用线图中的空间拓扑结构，并融合深度学习与概率滤波方法，该模型在预测精度方面表现优异——尤其在神经网络权重混合比为0.8时表现最佳，显示出在真实新泽西收费公路数据上的更强鲁棒性与性能。

ABSTRACT

Modern intelligent transportation systems provide data that allow real-time dynamic demand prediction, which is essential for planning and operations. The main challenge of prediction of dynamic Origin-Destination (O-D) demand matrices is that demands cannot be directly measured by traffic sensors; instead, they have to be inferred from aggregate traffic flow data on traffic links. Specifically, spatial correlation, congestion and time dependent factors need to be considered in general transportation networks. In this paper we propose a novel O-D prediction framework combining heterogeneous prediction in graph neural networks and Kalman filter to recognize spatial and temporal patterns simultaneously. The underlying road network topology is converted into a corresponding line graph in the newly designed Fusion Line Graph Convolutional Networks (FL-GCNs), which provide a general framework of predicting spatial-temporal O-D flows from link information. Data from New Jersey Turnpike network are used to evaluate the proposed model. The results show that our proposed approach yields the best performance under various prediction scenarios. In addition, the advantage of combining deep neural networks and Kalman filter is demonstrated.

研究动机与目标

• 解决在缺乏直接测量数据的情况下，预测交通网络中动态O-D需求矩阵的挑战。
• 通过整合实时路段流量数据中的时空相关性，克服传统模型（如引力模型或GLS模型）的局限性。
• 开发一种统一的深度学习与滤波框架，结合图神经网络与卡尔曼滤波器，以提升预测的鲁棒性。
• 设计一种基于新型线图架构（FL-GCN）的方法，以建模O-D对与路段流量之间的时空依赖性。
• 利用新泽西收费公路网络的真实世界数据，验证模型的有效性与可解释性。

提出的方法

• 将道路网络的拓扑结构转换为线图，将路段表示为节点，其邻接关系表示为边，从而实现空间模式的学习。
• 设计融合线图卷积网络（FL-GCNs），包含双分支卷积结构：一个用于路段级别的图卷积，另一个用于节点级别的图卷积。
• 集成卡尔曼滤波器以建模时间动态与不确定性，将历史O-D流量作为状态先验，路段流量作为观测值。
• 通过可学习的混合参数融合FL-GCN与卡尔曼滤波器的预测结果，以平衡异质输出并最小化预测误差。
• 端到端优化模型，采用平均绝对误差（MAE）、均方根误差（RMSE）和相对均方根误差（RMSN）作为损失函数。
• 可视化FL-GCN中收敛的权重，以解释历史O-D流量与路段流量输入对预测结果的相对影响。

实验结果

研究问题

• RQ1 与独立方法相比，结合图神经网络与卡尔曼滤波器的混合模型是否能提升动态O-D矩阵预测的准确性？
• RQ2 通过线图表示的网络拓扑空间相关性，如何增强O-D流量的预测性能？
• RQ3 在预测误差方面，基于深度学习的预测（FL-GCN）与概率滤波（卡尔曼滤波器）之间，最优平衡点是什么？
• RQ4 通过学习到的模型权重，历史O-D流量与实时路段流量对最终预测的贡献程度如何？
• RQ5 在真实交通条件下，该模型在不同预测时序（1步、2步与3步预测）下的表现如何？

主要发现

• 在1步预测时序下，混合FL-GCN与卡尔曼滤波器的模型达到最低的MAE（3.304）、RMSE（6.057）与RMSN（0.536），优于两个独立组件。
• 当深度神经网络组件的混合比为0.8时，预测误差（MAE、RMSE、RMSN）最小化，表明两模型融合达到最优。
• 卡尔曼滤波器通过校正FL-GCN的异常预测，提升了鲁棒性，尤其在长期预测中，仅依赖深度学习的模型性能下降。
• 可视化权重显示，历史O-D流量在FL-GCN中具有更强的影响（更高幅值与对角线模式），表明其在预测中起主导作用。
• 该模型在所有预测步长（1步、2步与3步）中均表现出一致的优越性，混合FL-GCN模型实现整体最佳性能。
• 结果证实，将深度学习与卡尔曼滤波结合，可显著提升真实高速公路网络中动态O-D需求预测的准确性与稳定性。