·846· 智能系统学报 第17卷 从表2可以看出，本文提出的ST-SANet准确 模态数据集中提取多元化特征。 率明显优于所有的对比方法。含有12个残差单 3.6实验结论 元和分割注意力机制模块的ST-SANet优于DeepST 引入城市功能区属性的数据集，包含了各时 等传统算法约22%以上，优于RNN约40%以上， 段各区域的客流量变化信息，并且在一定程度上 优于LSTM约31%以上，优于GRU30%以上，优 反映了与区域相关的活动语义。不同的人群活动 于ST-ResNet约6% 会发生在不同的区域，比如“上班”会发生在工作 ST-ANN和VAR也采用了时空数据进行模型 区，那么引人功能区划分这一特征，就可以提取 训练，但是性能都不及ST-SANet模型，因为它们 各时段不同功能区乘客群体的活动规律，从而提 只是考虑了较近时间段以及邻近时间段信息。对 升模型的预测精度。实验中相同模型下，引入了 于时间序列模型而言，GRU和LSTM的RMSE性 城市功能区属性的数据带来的预测结果要优于原 能相似，且均优于RNN,但是都不及ST-SANet模 始数据的预测结果。 型，其原因在于GRU和LSTM都能够捕捉较长的 面对多模态数据集，引入分割注意力机制模 时间依赖性，但不具备提取多元化特征的能力o。 块能够更好地提取多样化的特征。并且人群活动 3.5消融实验 的成因十分复杂，不同区域、不同类型乘客群体 3.5.1消融实验设置 活动的原因和规律具有明显差异，注意力机制模 为了验证分割注意力机制模块以及城市功能 块能够动态地分析各种场景的乘客群体活动，挑 区划分对模型的性能影响，本文针对ST-SANet, 选影响程度较高的特征，同时能够更好地捕捉多 构造了未引入城市功能区特征的消融版模型$T- 模态数据间的潜在关系，这无疑是模型性能提升 SANetRib,未引入分割注意力机制的消融模型 的主要原因。 ST-ResNet,,以及未引入分割注意力机制及城市功 4结束语 能区特征的消融模型ST-ResNetRibo 3.5.2消融实验的结果与分析 针对城市各区域客流量预测问题，本文将城 4个模型的预测结果如表3所示。 市区域的功能属性作为重要特征，采用分割注意 表3消融实验对比结果 力机制残差网络算法，提取城市中任意两个区域 Table 3 Comparison results of ablation experiments 之间的相互关系；采用包含区域功能属性的历史 模型框架 RMSE评估指标 时空数据，以及节假日、天气等外部特征数据进 ST-ResNet 16.89 行训练，能够更好地捕捉多模态数据之间的时间 依赖、空间依赖、地区属性依赖以及外部因素的 ST-ResNetRib 17.11 影响；在真实数据集上与10种类似算法进行对 ST-SANet 14.27 比，结果充分说明了本模型具有更高的准确性。 ST-SANetRib 14.51 在未来的工作中，本文将会基于扩张卷积算 法，探究空间上的近距离、远距离数据依赖对于 从消融实验对比结果表中可以看出，首先对 预测的影响程度，以减轻无效数据对模型性能造 于城市功能区划分的消融实验，无论是改进后形 成的负面影响。 成的ST-SANet模型，还是原始的ST-ResNet模 型，引入城市功能区划分后的预测效果都有显著 参考文献： 提升，说明了城市功能区特征在很大程度上影响 [1]GONG Yongshun,LI Zhibin,ZHANG Jian,et al.Net- 着客流量的预测。同时，功能区特征对传统模型 work-wide crowd flow prediction of Sydney trains via ST-ResNet的提升略小，也侧面说明针对多模态特 customized online non-negative matrix factoriza- 征的数据集，ST-SANet更具有优势。 tion[C]//CIKM'18:Proceedings of the 27th ACM Interna- 其次，在分割注意力机制模块的消融实验中， tional Conference on Information and Knowledge Man- 无论是否在多模态数据集下，引入了分割注意力 agement.New York:ACM,2018:1243-1252 机制的ST-SANet模型的预测精度均明显优于传 [2] MA Xiaolei,DAI Zhuang,HE Zhengbing,et al.Learning 统的ST-ResNet模型，并且面对复杂数据集时，模 traffic as images:a deep convolutional neural network for 型精度的提升更为明显，说明分割注意力模块能 large-scale transportation network speed prediction[J]. 够有效提升预测的准确率，同时能够更好的从多 Sensors,2017,17(4:818从表 2 可以看出，本文提出的 ST-SANet 准确 率明显优于所有的对比方法。含有 12 个残差单 元和分割注意力机制模块的 ST-SANet 优于 DeepST 等传统算法约 22% 以上，优于 RNN 约 40% 以上， 优于 LSTM 约 31% 以上，优于 GRU30% 以上，优 于 ST-ResNet 约 6%。 ST-ANN 和 VAR 也采用了时空数据进行模型 训练，但是性能都不及 ST-SANet 模型，因为它们 只是考虑了较近时间段以及邻近时间段信息。对 于时间序列模型而言，GRU 和 LSTM 的 RMSE 性 能相似，且均优于 RNN，但是都不及 ST-SANet 模 型，其原因在于 GRU 和 LSTM 都能够捕捉较长的 时间依赖性，但不具备提取多元化特征的能力[40]。 3.5 消融实验 3.5.1 消融实验设置 为了验证分割注意力机制模块以及城市功能 区划分对模型的性能影响，本文针对 ST-SANet， 构造了未引入城市功能区特征的消融版模型 ST￾SANetRib，未引入分割注意力机制的消融模型 ST-ResNet，以及未引入分割注意力机制及城市功 能区特征的消融模型 ST-ResNetRib。 3.5.2 消融实验的结果与分析 4 个模型的预测结果如表 3 所示。 表 3 消融实验对比结果 Table 3 Comparison results of ablation experiments 模型框架 RMSE评估指标 ST-ResNet 16.89 ST-ResNetRib 17.11 ST-SANet 14.27 ST-SANetRib 14.51 从消融实验对比结果表中可以看出，首先对 于城市功能区划分的消融实验，无论是改进后形 成的 ST-SANet 模型，还是原始的 ST-ResNet 模 型，引入城市功能区划分后的预测效果都有显著 提升，说明了城市功能区特征在很大程度上影响 着客流量的预测。同时，功能区特征对传统模型 ST-ResNet 的提升略小，也侧面说明针对多模态特 征的数据集，ST-SANet 更具有优势。 其次，在分割注意力机制模块的消融实验中， 无论是否在多模态数据集下，引入了分割注意力 机制的 ST-SANet 模型的预测精度均明显优于传 统的 ST-ResNet 模型，并且面对复杂数据集时，模 型精度的提升更为明显，说明分割注意力模块能 够有效提升预测的准确率，同时能够更好的从多 模态数据集中提取多元化特征。 3.6 实验结论 引入城市功能区属性的数据集，包含了各时 段各区域的客流量变化信息，并且在一定程度上 反映了与区域相关的活动语义。不同的人群活动 会发生在不同的区域，比如“上班”会发生在工作 区，那么引入功能区划分这一特征，就可以提取 各时段不同功能区乘客群体的活动规律，从而提 升模型的预测精度。实验中相同模型下，引入了 城市功能区属性的数据带来的预测结果要优于原 始数据的预测结果。 面对多模态数据集，引入分割注意力机制模 块能够更好地提取多样化的特征。并且人群活动 的成因十分复杂，不同区域、不同类型乘客群体 活动的原因和规律具有明显差异，注意力机制模 块能够动态地分析各种场景的乘客群体活动，挑 选影响程度较高的特征，同时能够更好地捕捉多 模态数据间的潜在关系，这无疑是模型性能提升 的主要原因。 4 结束语 针对城市各区域客流量预测问题，本文将城 市区域的功能属性作为重要特征，采用分割注意 力机制残差网络算法，提取城市中任意两个区域 之间的相互关系；采用包含区域功能属性的历史 时空数据，以及节假日、天气等外部特征数据进 行训练，能够更好地捕捉多模态数据之间的时间 依赖、空间依赖、地区属性依赖以及外部因素的 影响；在真实数据集上与 10 种类似算法进行对 比，结果充分说明了本模型具有更高的准确性。 在未来的工作中，本文将会基于扩张卷积算 法，探究空间上的近距离、远距离数据依赖对于 预测的影响程度，以减轻无效数据对模型性能造 成的负面影响。 参考文献： GONG Yongshun, LI Zhibin, ZHANG Jian, et al. Net￾work-wide crowd flow prediction of Sydney trains via customized online non-negative matrix factoriza￾tion[C]//CIKM’18: Proceedings of the 27th ACM Interna￾tional Conference on Information and Knowledge Man￾agement. New York: ACM, 2018: 1243−1252. [1] MA Xiaolei, DAI Zhuang, HE Zhengbing, et al. Learning traffic as images: a deep convolutional neural network for large-scale transportation network speed prediction[J]. Sensors, 2017, 17(4): 818. [2] ·846· 智 能 系 统 学 报 第 17 卷