多模态交通流预测：基于对比学习的深层图卷积交通流预测模型

原文链接见文末，或扫文末交流群二维码，每日实时更新推文与原文。

一、研究背景与问题提出

随着各类交通模式的融合，多模态交通系统日益复杂，政府和企业需要准确预测道路或公共交通的流量，以实现合理调度和减少拥堵。传统基于统计学或普通深度学习模型的方法难以同时捕获空间—时间依赖性。

现有研究普遍采用图卷积网络（GCN）提取道路网络的空间特征。然而，作者指出，当 GCN 层数堆叠过多时，模型精度会明显下降，这一现象被称为“多层灾难”（Multilayered Disaster）。在分类任务的实验中，随着层数增加，准确率在超过 7 层后迅速下滑；在交通流预测场景中，这一现象在 2 层后便出现，堆叠更多层并不能捕获三跳及以上邻居的信息。其根本原因在于一阶 Chebyshev 近似的 GCN 本质上是低通滤波器，高频信息（例如急剧变化的流量）在多层传播中被削弱。因此，如何解决堆叠层数受限的问题并避免过度平滑，是交通流预测领域迫切需要突破的瓶颈。

下图展示了 GCN 层数与模型性能关系，以 Cora、Citeseer 和 Pubmed 等数据集为例可见，多层 GCN 导致性能下降。

二、研究方法与模型设计

为突破传统 GCN 无法堆叠的限制，作者提出对比学习深层图卷积网络（CL‑DGCN）。模型基于“时序‑空间‑时序”结构，由两个 T‑CN 模块、一个对比学习模块和一个超聚合函数（Hyper‑Aggregation）改进的深层 GCN 组成。

2.1 总体架构

CL‑DGCN 的整体流程如图所示：首先对历史交通数据进行时序卷积提取时间特征；然后使用对比学习重建空间拓扑；接着通过多层改进的 GCN 提取空间特征；最后再次通过时序卷积输出未来时刻的预测值。

主要模块包括：

输入模块：输入历史时序交通数据；
第一时序模块（T‑CN）：通过一维卷积和膨胀卷积提取时间依赖；
对比学习模块：动态重建邻接矩阵，捕捉潜在空间关系；
深层GCN模块：采用超聚合函数改进 GCN，实现堆叠 5 层而不过度平滑；
第二时序模块：进一步提取时间特征，输出预测序列。

2.2 超聚合函数：解决过度平滑的关键

传统 GCN 的消息传递方式是对邻居节点特征求和，导致过度平滑。为此，作者提出三步改进过程：

信息重构：重构邻居节点的消息，保证消息非负：
其中为节点的特征，为邻接矩阵指示函数，为很小的常数。
超聚合函数：为目标节点计算邻居消息的加权和：
其中为可训练参数。当时，超聚合函数等价于最大值运算；当时则退化为平均值运算。这种可调节聚合策略在训练过程中自动在“平均”与“最大”之间平衡，保留高频信息，缓解过度平滑。
节点更新：结合原始节点特征和聚合消息，通过多层感知机 (MLP) 输出下一层特征：
其中为可学习的放缩因子。

通过上述改进，改进型 GCN 可堆叠 5 层而不丢失高频信息，显著缓解“多层灾难”。

2.3 对比学习模块：动态重建空间拓扑

作者引入无监督对比学习来动态重建图结构。其步骤如下：

生成子图：针对原始图，随机删除部分边或遮掩节点属性，得到两个子图和。下图展示了破坏和重建的过程。

构建样本对：两子图中相同节点构成正样本对，不同节点构成负样本对。负样本来自相同或不同子图。

对比损失函数：用非线性映射将节点表示映射到对比空间，以NT-Xent损失形式最大化正样本相似度、最小化负样本相似度：
目标函数最大化所有正对的平均值。通过对比学习，模型得到更加鲁棒的节点嵌入，用于后续深层 GCN 特征提取。

2.4 时序模块：T‑CN 提取时间依赖

CL‑DGCN 采用Temporal Convolutional Network (TCN) 提取时间特征。TCN 通过一维卷积和膨胀卷积捕捉长时依赖：

其中为卷积核大小，为膨胀系数。膨胀卷积扩展了感受野，使网络能够捕获长时间间隔的模式。下图是 T‑CN 的蓝图示意。

三、实验设置与结果分析

3.1 数据集与实验设置

作者在四个公开数据集上验证模型：PEMSBAY、METR‑LA、BEIJING 和 SZ‑TAXI，涵盖高速公路、城市干道和出租车等不同场景。每个节点记录每 5 分钟的平均车速，数据持续 31–181 天不等。

评估采用以下指标：

均方根误差 (RMSE)：偏差较大误差的惩罚更重；
平均绝对误差 (MAE)；
平均绝对百分误差 (MAPE)。

实验基准包含 T‑GCN、STGCN、ASTGCN、DCRNN、MTGNN、DGCRN、DFDGCN 等多种模型；超参数设置尽量遵循原文。

3.2 定量实验结果

在四个数据集的 3、6、12 步预测任务中，CL‑DGCN 在 MAE、RMSE 和 MAPE 三个指标上均大幅优于基线模型。例如，在 PEMSBAY 数据集 15 分钟预测中，CL‑DGCN 的 MAE 为 1.54，显著小于 DCRNN 的 2.08；在 BEIJING 数据集 60 分钟预测中，CL‑DGCN 的 RMSE 为 12.90，较 DGCRN 的 13.48 进一步降低。

整体而言，CL‑DGCN 在四个数据集和三个预测窗口的 12 个设置中均取得最优结果。平均提升幅度在各数据集分别达到 11 %、8 %、8 % 和 10 %，即使在 60 分钟的长期预测窗口也保持 6 %–10 %的优势。这些提升充分说明了动态拓扑重建和超聚合函数的有效性。

3.3 定性分析与敏感度分析

定性分析：作者通过散点图比较各模型在 METR‑LA 数据集 60 分钟预测的结果与真实值，发现 CL‑DGCN 的散点更靠近的理想线，预测更加准确。在 PEMSBAY 数据集的时间序列对比中，CL‑DGCN 在高峰—低谷的快速变化段仍能较好跟踪真实值，其余模型存在明显滞后。
超参数敏感性：作者针对 DCRNN、DGCRN、DFDGCN 三个模型进行网格搜索，测试初始学习率和批次大小对性能的影响。如下热图所示，深色区域表示更低的 RMSE 值；实验表明合理范围内无需过度调参即可获得较好性能，而超出范围将导致不收敛。

收敛速度：在固定超参数后，作者观察到 DCRNN、DGCRN 和 DGDGCN 在 100 个 epoch 内就基本收敛，说明这些模型对 epoch 数不敏感，并具有稳定的训练过程。下图是不同模型的损失曲线示意。

四、困难与处理策略

多层灾难与过度平滑：传统 GCN 在堆叠多层时会导致高频信息迅速衰减，无法捕获多跳邻居的影响，形成性能上限。

解决策略：提出可学习的超聚合函数，结合消息重构、聚合与节点更新三步，在训练中动态调整“平均—最大”聚合策略。该方法显著抑制低通滤波效应，使 GCN 可以堆叠 5 层而不过度平滑。

静态拓扑限制：传统模型使用物理邻接矩阵，无法捕捉潜在的长距离影响和动态变化。

解决策略：利用对比学习，在每个训练批次随机破坏图结构并生成两个子图，通过正负样本对比最大化相同节点表示的一致性，实现无监督的动态拓扑重建。此策略可捕捉物理距离之外的相关性。

空间与时间耦合困难：交通数据具有复杂的空间—时间耦合，简单的卷积或循环网络难以同时捕获。

解决策略：采用“时序‑空间‑时序”结构，先用 T‑CN 捕捉时间依赖，再用对比学习和深层 GCN 提取空间特征，最后再次通过 T‑CN 生成输出。

训练不稳定与超参数选择：深度图模型参数多，容易产生梯度消失或过拟合。

解决策略：作者通过敏感性分析发现，合理的学习率和批次大小即可获得稳定训练，模型对超参数并不敏感。

五、贡献、局限与未来展望

5.1 主要贡献

理论突破：揭示“多层灾难”源于 GCN 的低通滤波效应，并提出超聚合函数解决过度平滑问题。
方法创新：提出对比学习+深层GCN框架，实现动态拓扑重建和深层特征提取，并证明该框架可在五层 GCN 下稳定训练。
应用效果：在四个不同类型的交通数据集上取得平均 10 % 以上的性能提升；在长期预测任务中依然保持明显优势。
实证分析：通过定性对比、敏感性实验和消融实验系统验证了各模块的有效性和必要性。

5.2 局限性与改进方向

动态交通场景：当前对比学习构建仍基于静态邻接矩阵，面对突发拥堵或极端天气下拓扑迅速变化的场景可能性能下降。
计算开销：堆叠深层 GCN 会增加计算量，不利于实时大规模应用。
数据噪声敏感：模型依赖高质量输入，噪声或缺失数据可能降低准确性。

为此，未来研究可考虑：

引入实时动态图表示学习，利用交通传感器、车联网等多源信息持续更新拓扑；
探索自监督或半监督方法，应对数据缺失和噪声；
设计轻量化的深层 GCN，提高模型推理速度，实现大规模实时部署。

六、结论与启示

本研究针对交通流预测领域存在的“多层灾难”瓶颈，提出了基于对比学习的深层图卷积网络 CL‑DGCN。通过对比学习动态重建空间拓扑、超聚合函数抑制过度平滑、时序卷积捕捉时间依赖，该模型在四个公开数据集上均显著超越现有方法，提升幅度在 8 %–15 % 之间。其优势不仅体现在预测精度，也体现在对多模态交通系统的适应性和训练稳定性。尽管存在对动态场景适应和计算开销的挑战，CL‑DGCN 为交通预测模型的设计提供了新的思路，验证了“动态拓扑 + 可学习聚合函数”在复杂时空任务中的巨大潜力。

原文链接：https://doi.org/10.1016/j.tre.2025.104345

以下是我们的微信交流群二维码，欢迎大家进群（如果二维码失效，请翻阅扫描最新文章的二维码）：