基于低频GNSS轨迹的转向级城市交通信息精细预测

方孟元，唐炉亮，杨 雪，胡 淳

1. 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079; 2. 中国地质大学(武汉)地理与信息工程学院，湖北 武汉 430074

随着经济的快速发展，城市车辆保有量和居民出行量的快速上升使得城市拥堵现象越发严重。交通拥堵作为一种全球普遍现象，不仅造成了极大的时间经济成本，而且加重了大气和噪声污染，成为目前社会的主要问题之一[1-2]。道路交叉口作为城市道路的咽喉，承载了交通流量的汇集和疏散[3]，是道路交通拥堵高发地带[4]。同时，交叉口不同行驶方向的拥堵情况具有明显的差异。因此，精准地预测交叉口交通信息对于交通拥堵治理、自动驾驶路线决策等具有重要的意义[5]。

交通信息的预测主要包括交通信息的获取和时间序列预测两个环节。交通信息可通过摄像机[6]、地面线圈[7]、测速雷达[8]等固定式传感器对车辆速度进行测量，或利用浮动车GNSS轨迹数据进行提取。由于固定式传感器在安装部署成本高、探测范围小等方面的限制，现有研究更多地利用GNSS轨迹数据。文献[9—13]分别提出了交通状态识别、速度与排队长度参数估计方法，并讨论了浮动车比例和参数估计准确性的关系；文献[14—16]等基于GNSS轨迹数据挖掘城市拥堵事件并分析拥堵形成及传播规律。然而这些方法提取结果的准确性受到浮动车GNSS采样频率的限制，且依赖于一定的先验知识、难以实现大范围的应用。对于交通信息的预测，早期主要借助自回归积分滑动平均模型[17]、卡尔曼滤波[18]、贝叶斯网络[19]等数学统计方法，而这类方法具有一定的前提假设、难以引入复杂的交通时空关系，因此预测能力有限。近年来，更多的学者借助深度神经网络模型进行交通预测。文献[20—21]将空间离散为栅格，借助卷积神经网络交通路况空间分布模式。然而栅格形式难以表达复杂路网结构及其拓扑关系。随着图神经网络的出现，用图(graph)对交通网络进行建模、进一步利用基于图的神经网络模型，如图卷积(graph convolutional network，GCN)，直接对图上特征进行学习，可以更好地学习交通状态在其邻接结构中的空间模式，从而取得更高的预测精度[22]。文献[23—25]分别采用图卷积模型实现对交通状态、速度、流量的短时预测，相比传统神经网络方法，提高了预测精度。然而现有的交通预测研究主要针对路段本身，忽略了交叉口区域的交通信息，而交叉口不同行驶转向上的交通流因信号配时、道路结构及通行策略而存在显著差异。因此，引入转向级的交通信息将提高后续应用的精细度和准确度。

针对城市交通预测相关方法忽略交叉口不同行驶转向上的交通流差异，且基于轨迹数据获取交通信息的精度受限于采样频率的问题，本文提出一种基于低频GNSS轨迹的转向级预测方法，实现了转向级交叉口排队长度、行驶速度的精细化提取和预测。

1 转向级交通精细预测方法

本文提出的转向级交通信息预测方法主要包括转向级交通信息提取和转向级交通信息预测两个环节，总体流程如图1所示。交通信息提取在文献[13]的基础上，通过提出排队起始点估计模型提高提取精度。交通信息预测包括转向拓扑关系构建和预测模型两部分。本文主要对排队起始点估计模型、转向拓扑图构建方法、提出的预测模型进行详细介绍。

图1 本文预测方法总体流程Fig.1 Flowchart of the prediction method in this paper

1.1 排队起始点估计模型

现阶段浮动车GNSS轨迹采样时间间隔普遍在20～60 s。以10 km/h的平均速度排队行驶为例，两次定位之间行驶距离将达到55.6 m以上，而实际的排队起始点位于两次定位之间，因此直接采用轨迹点作为排队起始点来计算行车速度和排队长度将具有较大的不确定性。

仅采用GNSS轨迹数据，两次GNSS定位之间车辆的速度变化过程难以精确地确定，因此需要进行一定抽象和简化。根据文献[26]，车辆在进入交叉口前的平均减速度为2.2～5.9 m/s2。如车辆从30 km/h的自由交通流速度减速到10 km/h的交叉口排队速度，减速过程约为1～2.68 s、距离在5～14 m。该减速过程相比20～60 s的定位间隔，可以抽象为一个速度突变点，即为排队起始点。

根据减速前后轨迹点对[Ps(xs,ys,ts,vs),Pe(xe,ye,te,ve)]的瞬时速度vs、ve和两点间平均速度vm对运动模式进行分类(图2)。

模式1：平均速度位于瞬时速度vs、ve之间，说明车辆在此区间内速度单调递减。

模式2：平均速度高于vs或低于ve，说明车辆在此区间内速度变化不单调，具备复杂的加速、减速过程。

图2 对运动模式进行分类Fig.2 Classification of movement patterns

图3 对模式1的排队起始点估计Fig.3 Estimation the start-point of vehicle queue under pattern 1

(1)

对于模式2,由于车辆经历了复杂的加速和减速，导致vm大于vs或小于ve，难以建模计算。本文对该模式下排队起始点与两个点接近程度，选取较近的轨迹点作为排队起始点(图4)：若vm>vs，则车辆在减速前经历了加速过程，认为Pe与减速点位置相近，将Pe作为排队起始点；若vm

获取了某个转向某个时段内经过所有车辆的排队起始点后，根据式(2)、式(3)分别对该转向该时刻的平均速度、平均排队速度进行计算[13]

(2)

(3)

图4 对模式2的排队起始点估计Fig.4 Estimation the start-point of vehicle queue under pattern 2

1.2 转向拓扑图

由于交通流状态在道路中具有上下游传播和反馈的特性，交通信息预测的关键在于有效建模交通网络的复杂变化规律[23]。而现有的基于交通预测方法仅顾及路段之间的连通关系，无法区分和引入交叉口不同转向上的交通信息。本文根据转向之间的上下游连通关系构建图结构，作为图神经网络的输入，以引入转向级交通信息的复杂时空模式。

图G=(V,E,A)由节点集合V、边集合E和邻接矩阵A组成。从几何上，道路网络以交叉口为节点、以路段为边自然地构成图结构。根据对偶图理论，可以将路段为节点、路段连通关系(即转向)为边，从而引入路段连通关系[27]。本文为了进一步引入转向之间的拓扑关系，需要再一次进行对偶，即以转向为节点，以转向之间是否具有上下游连通关系构建边。如图5所示，8号转向与上游2、4号转向相连，同时与下游的19、20、21三个转向相连，即存在5条边：8-2、8-4、8-19、8-20、8-21。本文对所有连通转向之间构建边，最终构成了转向拓扑图，作为图神经网络的图结构特征输入。现阶段图神经网络仅处理节点属性特征，因此本文以每个转向对应的交通信息，即交通速度、排队长度，作为图的节点属性特征。

图5 转向拓扑图构建Fig.5 The construction of turning-level topology

1.3 时空图卷积网络

为了自适应地学习转向连通图中的复杂时空关系，实现交通信息短时预测，本文基于GCN和长短时记忆网络(long short-term memory,LSTM)提出了一种时空图卷积交通预测模型。

图卷积网络是一种应用于图结构数据的深度学习网络模型，将卷积操作推广到图上：将节点特征视为图上的信号，借助谱图理论和信号处理方法构建节点间的影响关系，实现图卷积运算。相比传统的神经网络模型，图卷积同时考虑节点特征和图结构特征，具有对复杂空间特征的学习能力[23]。LSTM[28]作为RNN的一种变体，通过门结构有效解决了RNN梯度消失和长期依赖问题，被广泛用于时间序列特征学习和交通预测中[29]。

时空图卷积模型结构如图6所示。首先将GCN构成残差单元，并连接LSTM层，形成时空学习模块(ST-Block)，分别借助GCN和LSTM学习单个时间段转向间交通信息的空间模式和多个时段间的时序变化模式。其次，为了顾及交通信息的“潮汐”变化及“天”“周”尺度下的周期规律，参考文献[24]设置3个相同结构的分支recent、day、week，通过分别向3个分支中输入前几个时刻、前几天相同时刻、前几周同日相同时刻的交通信息以学习预测时刻与历史数据的连续、周期和趋势特性。在每个分支中堆叠多层ST-Block以学习高维复杂的时空模式。最后通过全连接层对3个分支结果进行组合，得到目标时刻的预测结果。

注：a、b、c分别表示以历元、天、周为间隔的历史时刻数量；q表示每天单位间隔数量。 图6 时空图卷积网络模型结构Fig.6 Neural network structure of the proposed model

2 试验与讨论

2.1 试验数据

试验选取武汉市2018-07-01—2018-09-19共80 d 24 h连续运行的出租车轨迹数据作为试验数据，其中包含车辆约4000辆，GNSS采样间隔为20～60 s。选取武汉市内环线及建设大道、友谊大道共31个主要交叉口的72个转向进行预测，试验区域如图7所示。

试验中，首先以10 min为间隔，对全部转向的交通速度和平均排队长度值进行提取；然后对提取结果进行Z-Score归一化，并分别按70%、5%、25%的比例进行划分为训练集、验证集、测试集；最后利用训练集和验证集训练模型，用测试集对模型预测精度进行评价。

2.2 交通信息提取

由于缺乏地面真值，研究中通过交通数据的自相关系数对提取结果进行评价，并与未使用本文排队起始点估计方法(分别采用减速前、后轨迹点Ps、Pe作为排队起始点)得到的提取结果进行对比，结果见表1。由表1可以看出，本文方法估计的排队长度信息具有更高的自相关系数，说明本文方法可以提高排队长度估计准确性，使其更加符合交通周期变化规律。选取任意转向，对其交通速度和排队长度进行展示(图8)，由图中可以看出数据曲线连续，相同时刻不同天之间的差异较小，能够反映出道路交通演化规律[14]。

图7 研究区域Fig.7 Map of the study area

表1 交通信息自相关系数统计

2.3 交通信息预测

2.3.1 试验设置

借助提取结果，对模型进行训练和测试和评估。经过比较，随着层数的增加，在堆叠ST-Block超过2层后，模型整体精度不再提高，因此试验中对recent、day、week这3个分支隐藏层分别设置2层ST-Block；根据不同分支的数据长度，每个分支设置不同的神经元数量。模型输入、输出尺寸及各层超参数见表2。其中N为图节点数量。

训练中，采用Adam优化器训练50轮(epoch)、batch size设置为100、学习率设置为1e-3，损失函数为mean square error函数。测试中，对未来10、20、30 min的交通信息进行预测，以RMSE、MAE作为评价指标为预测结果与提取结果进行比较。RMSE、MAE如式(4)、式(5)分别表示误差水平，值越小则准确性越高。同时验证本文方法的优越性，采用支持向量回归(support vector regression,SVR)、长短时记忆网络、TGCN[25]，ST-GCN[23]作为基准方法，对提取结果进行比较。

图8 单个转向的交通信息提取结果Fig.8 Time-series of detected traffic information of one selected turn

表2 模型超参数设置

(4)

(5)

2.3.2 试验结果

对本文模型和基准方法的预测精度指标分别进行统计，结果见表3。根据统计，本文模型短时交通预测能力全面高于基准方法，交通速度、排队长度的平均预测准确率分别提高1.9%～27.8%、2.0%～43.45%。相比T-GCN、STGCN模型，交通速度、排队长度的预测准确率分别提高2.9%～5.6%、7.2%～16.8%，体现出本文多层、多分支的LSTM+GCN模型结构能更好学习交通时空演化规律，尤其是引入时间维度上的周期和趋势特性；相比仅顾及节点时序特征的SVR、LSTM方法，预测准确性分别提高1.9%～27.8%、2.0%～43.4%，说明采用图神经网络引入交通状态的空间模式能有效提高预测准确性。

随机抽取一条转向的预测结果，与提取结果(真值)进行可视化对比，结果如图9所示。在不同的预测时间间隔下，预测的交通速度与排队长度均与真值贴近、具有相同的变化趋势，能够应用于后续交通优化、路径规划等智能交通应用。

3 总结与展望

现有基于浮动车GNSS轨迹数据预测的交通信息仅包含路段上的交通信息，忽略了交叉口不同行驶方向上的交通流差异，且交通信息准确性受限于GNSS采样频率，最终限制了后续的智能交通应用。针对此问题，本文提出的基于低频GNSS轨迹的转向级交通信息预测方法，实现了交叉口排队长度、行驶速度的转向级精细化预测。该方法首先提出了排队起始点估计模型，根据车辆运动规律探测交叉口排队长度；然后基于对偶图理论构建转向连通关系的图结构，用于建模转向空间邻接关系；最后基于图卷积网络构建了交通预测模型，通过学习图中的时空模式提高交通预测准确性。利用武汉市出租车轨迹数据进行试验，结果显示，本文提出的排队起始点估计模型有效提高了排队长度提取的准确性，提出的预测模型准确率全面高于基准方法。后续研究将进一步引入如天气、特殊日期等多源信息来辅助学习复杂条件下的交通模式、提高预测准确性；同时考虑借助传感器观测数据对基于GNSS获取和预测的交通信息进行精度评定与分析。

表3 预测精度统计与对比

图9 单个转向交通信息预测结果, 数字表示MAE值Fig.9 Predicted results compared with true value, number in legend represents the value of MAE