基于轻量级时空图神经网络的交通预测方法研究

交通运输、仓储和邮政业

本科技成果已达到较为成熟的技术水平，经历了多阶段的实验验证和优化，具有较高的应用价值和实际可行性。成果的关键技术均是行业内具有深厚研究基础与广泛应用场景的方法。其中，时空图神经网络方法已经在不同的交通预测任务中进行过大量的测试，证明了其预测性能具备行业领先水平。面向轻量化的模型压缩方法也已经在计算机视觉等领域中取得了巨大的成功。本科技成果将知识蒸馏等模型压缩技术用于时空图神经网络，在交通、气象等典型的时空数据集中进行了大量的实验，预测准确率具有显著的提升。此外，轻量化模型在计算效率方面具有明显的优势。 目前，科技成果处于不断优化改善的阶段。在研发早期阶段，仅在少量交通数据中进行了测试。随着研究的深入，一方面，不断地采用不同的时空数据集对所提方法进行测试，例如，与交通预测同类型的气象数据集；另一方面，则考虑融入更多交通的背景知识，例如，融入交通网络的物理信息，或者采用数据驱动的方法重构缺失信息等。

轻量化时空交通预测模型在智能交通、智慧城市、自动驾驶等多个领域中具有应用前景，科技成果转化所需的条件如下： （1）资金支持需求 轻量化时空交通预测技术的成功转化与应用需要持续的资金投入。合作方提供的资金支持主要用于以下几个方面：1）技术研发。在技术转化过程中，持续的算法优化、模型训练、系统开发等方面的研发需求较大，特别是对复杂场景的适配和大规模数据集的处理需要投入大量资金。2）试点项目与验证。部署技术并验证其在实际场景中的有效性需要较高的资金支持。例如，在智能交通系统中进行大规模的预测和实时调度需要购买或租赁必要的硬件设备，并进行大量的测试。3）产业化推进。为了确保轻量化时空交通预测技术能够快速应用，合作方需要投资于产品化和商业化进程，包括设备生产、系统集成、市场推广等环节。因此，合作方需提供至少200万人民币的资金支持，用于前期研发、试点应用以及后期的市场化推广。 （2）场地和设备需求 为了保证技术的高效转化和应用，合作方需要进一步提供相应的设备与数据支持。1）测试与试点部署。在实际场景中的测试部署对于验证技术的有效性和改进模型与算法非常关键。合作方需提供部分智能交通系统的硬件基础设施，如交通状态监控摄像头、传感器、道路控制设施等，作为试点应用的测试环境。若要转化为自动驾驶相关项目，则还需提供一定数量的测试车、车载计算平台等。2）数据采集平台。真实的交通数据对于模型的训练和优化至关重要。为了训练和验证轻量化时空交通预测模型的有效性，合作方需要提供更多的交通数据采集设备，如车载传感器、道路监控系统、GPS数据收集设备等。 （3）人员支持需求 技术转化还需要交通背景研发人员与运营团队的支持。项目转化需要深入了解交通领域需求的人员提供指导。通过相关人员与本团队的人工智能与计算机相关人员的沟通，进一步改进和优化模型，促使技术的转化与部署。同时，具备较强项目管理能力的人员也十分重要，尤其是在跨部门合作和资源协调方面。建议合作方配备1-2名具有智能交通、自动驾驶领域经验的项目经理，帮助协调技术开发、测试、市场推广等各方面工作。此外，在技术转化过程中，持续的技术支持和维护工作不可忽视。合作方应具备一定数量的技术支持工程师和数据工程师，能够确保系统部署后的运行稳定和高效，及时解决问题并优化系统。

可国（境）内外转让

随着相关技术的不断优化和应用，预计其转化将带来显著的经济效益和社会效益。这项技术不仅为智能交通、自动驾驶、智慧城市等领域提供了创新的解决方案，还将推动相关行业的技术进步和产业升级。 （1）经济效益 相关技术的成功转化和广泛应用，将直接带来可观的经济效益。1）产业链推动效应。相关技术的转化将推动智能交通、自动驾驶、车联网等多个产业链的发展，并产生直接的经济效益。例如，在智能交通产业，利用高效、精确的交通预测模型，能够减少交通拥堵、优化道路资源利用。2）成本节约与效率提升。本技术的核心优势之一在于其在计算效率和资源消耗方面的优化，特别是相关模型压缩技术的使用大幅地降低了模型的计算和存储成本。在硬件和能源成本降低层面，通过轻量化模型，能够极大地减少模型对高性能计算硬件的依赖，使得技术可以在低功耗硬件上高效运行，尤其适合嵌入式设备和车载平台。这不仅减少了硬件投入，还降低了运行过程中的能源消耗。预计在智能交通和车联网应用中，硬件和能源成本可以节约30%-50%。在运营成本方面，相关技术可以减少交通拥堵和优化路线规划，降低运营成本。特别是在自动驾驶车辆的路径规划和调度系统中，能够大幅提高交通效率，减少燃油消耗和碳排放。 （2）社会效益 相关技术的转化将带来显著的社会效益，特别是在交通安全、环境保护和社会管理等方面。1）提升交通安全。精准的交通预测和实时动态调度，有助于实现交通的智能化管理，减少交通事故的发生，提升道路安全性。2）减轻交通拥堵。相关技术有助于提前识别潜在的拥堵区域，并及时做出调整，从而有效缓解交通拥堵问题，提升道路资源的利用率。此外，由于交通拥堵不仅导致时间浪费，还加剧了环境污染。因而，相关技术的转化能够帮助降低汽车尾气排放，减缓空气污染，提高城市的空气质量。3）促进智慧城市建设。相关技术将为智慧城市建设提供强有力的技术支持，推动城市的数字化、智能化转型，提升城市管理效率和可持续发展能力。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

本科技成果源于人工智能与交通预测的交叉领域，针对交通数据中的复杂时空依赖关系，提出了一系列高效率与高性能的时空神经网络，能够有效地提高交通预测的性能与效率。该技术由项目完成人团队自主设计研发，具备自主知识产权，并在实际交通数据集及具体场景中进行了测试和验证。 （1）技术原理。本技术的核心是能够同时抽取时间与空间信息的若干时空图神经网络模型，包括图卷积神经网络、时间卷积神经网络、物理信息网络、Transformer、Mamba等深度模型，并进一步融合自监督学习、知识蒸馏等技术，能够显著提高模型的计算效率与稳定性。关键技术原理如下：1）空间特征提取模块。该模块旨在从交通网络中提取空间相似性。本技术利用结构推断、相似性度量等方法构建能够反映空间相关性的图结构，并采用基于局部信息聚合的图卷积、基于自注意力机制的Transformer、基于选择状态空间模型的Mamba等提取这些图结构中的信息。2）时间特征提取模块。该模块旨在从历史交通状态中提取时间依赖关系。本技术采用一维时间卷积、时间Transformer等用于特征提取。3）交通预测模块。该模块在时空特征提取的基础上，利用不同的学习范式增强传统交通预测的性能。例如，利用自监督学习构建多任务学习框架，提升模型挖掘交通数据中潜在模式的能力。4）效率提升模块。该模块在交通预测的框架中引入知识蒸馏、时序解耦等技术，提升模型的预测稳定性与效率。 （2）关键性技术指标：1）预测准确性。与传统的交通预测方法相比，本技术包含的一系列方法在预测准确性上最高能够提高约5%。通过精确建模时空依赖关系，模型能够更好地适应不同交通场景下的数据特性。2）计算与存储效率。知识蒸馏、二值化等模型在效率上具有显著的优势。这使得该技术能够应用于计算与存储资源受限的场景中。3）可扩展性。该技术不仅适用于城市交通预测，还可扩展至气象预测等同类时空预测领域，具有广泛的适用性。 （3）应用前景：本技术在多个领域中具有广泛的应用前景。1）智能交通系统。随着智能交通系统的快速发展，交通预测已经成为城市交通管理的关键任务。本科技成果能够提供高精度、低延迟的交通预测模型，有助于实现城市交通的智能化调度和优化，提高道路资源利用率，减少交通拥堵。2）自动驾驶。自动驾驶系统需要精确的交通环境感知与预测。与本技术结合，自动驾驶车辆能够实时获取更准确的交通状态信息，并做出更智能的路径规划和决策，从而提高行驶安全性和效率。3）智慧城市建设。本技术的高性能与高效率可以在智慧城市中的各类监控系统中广泛应用，如城市空气质量预测、能源消耗预测等。借助时空依赖性建模，可以有效提升智慧城市的管理水平。4）车联网。在车联网领域，通过与其他车辆和基础设施的数据交互，本技术可以为交通流量分析与优化提供重要的支持，从而提升交通系统的智能化和协同工作能力。5）环境保护领域。本技术可应用于交通污染预测与优化方案中，结合实时交通数据，预测车辆尾气排放情况，帮助城市制定更为合理的环保政策和措施。