[论文解读] Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor

Shiliang Sun, Changshui Zhang+1 more|arXiv (Cornell University)|Dec 24, 2017

Advanced Clustering Algorithms Research参考文献 3被引用 7

一句话总结

本文提出了一种时空贝叶斯网络预测器，通过整合交通网络中的空间和时间交通流数据，以提升短期预测的准确性。通过使用皮尔逊相关系数对变量进行排序，并采用最佳优先搜索策略识别因果输入节点，同时在最小均方误差准则下应用高斯混合模型，该方法在随机游走和马尔可夫链等基线模型上实现了显著的精度提升。

ABSTRACT

A novel predictor for traffic flow forecasting, namely spatio-temporal Bayesian network predictor, is proposed. Unlike existing methods, our approach incorporates all the spatial and temporal information available in a transportation network to carry our traffic flow forecasting of the current site. The Pearson correlation coefficient is adopted to rank the input variables (traffic flows) for prediction, and the best-first strategy is employed to select a subset as the cause nodes of a Bayesian network. Given the derived cause nodes and the corresponding effect node in the spatio-temporal Bayesian network, a Gaussian Mixture Model is applied to describe the statistical relationship between the input and output. Finally, traffic flow forecasting is performed under the criterion of Minimum Mean Square Error (M.M.S.E.). Experimental results with the urban vehicular flow data of Beijing demonstrate the effectiveness of our presented spatio-temporal Bayesian network predictor.

研究动机与目标

• 解决现有交通流预测方法在利用交通网络空间信息方面不足的问题。
• 开发一种因果建模方法，以捕捉受共同城市源（如购物中心和住宅区）影响的远距离道路节点之间的相互依赖关系。
• 系统性地整合空间与时间数据，以实现更准确的短期交通流预测。
• 利用真实北京交通数据评估所提方法的有效性，证明其优于传统基线模型。

提出的方法

• 使用皮尔逊相关系数对所有潜在输入交通流进行排序，基于其与目标位置处目标流量的线性关系。
• 采用最佳优先搜索策略，选择排名靠前的交通流作为贝叶斯网络中的因果节点，以最小化冗余和计算成本。
• 采用高斯混合模型（GMM）结合竞争性期望最大化（CEM）算法，估计因果节点与目标（效应）节点之间的联合概率分布。
• 基于最小均方误差（MMSE）准则推导最优预测，获得预测的解析解。
• 整合来自网络中多个路段的时滞流量（最多100个时间步），以建模时间动态特性。
• 构建一个因果贝叶斯网络，其中空间分布的和时滞的交通流作为输入，用于预测特定目标路段的流量。

实验结果

研究问题

• RQ1 能否有效利用交通网络中远距离道路节点之间的空间相关性，以提升短期交通流预测性能？
• RQ2 在单一预测模型中整合空间与时间信息，与仅依赖时间模式的方法相比有何差异？
• RQ3 基于相关性的变量选择与最佳优先搜索策略对预测精度有何影响？
• RQ4 在时空贝叶斯框架下，采用MMSE估计的高斯混合模型在多大程度上提升了预测性能？
• RQ5 所提方法在真实城市交通数据上相对于随机游走和马尔可夫链等成熟基线模型的表现如何？

主要发现

• 与随机游走和马尔可夫链基线模型相比，时空贝叶斯网络预测器在五个测试路段上显著降低了预测误差。
• 对于路段Gd，RMSE从随机游走的177.57降低至本方法的141.37，实现了20.3%的性能提升。
• 该方法在五个测试路段中的四个上取得了最低RMSE，其中在路段Dd的表现最佳（57.46 vs. 66.15，马尔可夫链基线）。
• 目标流量与所选因果节点之间存在高度相关的系数（例如，Fe(t)与Fe(t-1)的相关系数达0.983），验证了排序与选择过程的有效性。
• 即使路段并非直接相邻，来自远距离路段的空间信息（如Bc(t-1)对Ch(t)的预测）也表现出强烈的预测相关性。
• 结果表明，城市交通流受共同隐藏源（如工作时间、活动模式）的影响，而这些影响可通过因果贝叶斯建模有效捕捉。