学位论文简介
随着经济增长和城市化发展，居民车辆保有量持续增长，交通环境越来越复杂，交通拥堵成为了普遍存在的问题。交通拥堵造成道路利用效率降低、经济损失和空气污染增加等负面影响。准确的交通预测可以帮助政府管理部门掌握道路交通状态，提前采取措施避免或缓解交通拥堵，帮助道路使用者指导出行路径，避开交通拥堵路段，以免进一步恶化交通拥堵状况。交通数据包含敏感的隐私信息，传输交通数据会导致隐私泄露，在交通预测中保护数据隐私具有重要意义。本文基于深度学习对如何有效的提高交通预测精度和保护交通数据隐私展开了研究，主要研究工作概述如下：
（1）针对现有方法中时空模拟有待优化和预测精度有待提高的问题，本文提出了一种基于图学习的图卷积神经网络交通预测方法。该方法设计了一个图学习模块，根据当前的交通状态及时的调整邻接矩阵，动态地学习空间相关性，其结构简单，易于实现。卷积神经网络的感知域与其堆叠的层数线性相关，相比卷积神经网络，扩张卷积网络能以更少的参数捕获长期时间依赖。为了优化结构，本文结合扩张卷积网络和门控机制捕获时间依赖。实验结果表明所提模型能取得比对比方法更好的预测性能。
（2）针对现有方法中自适应邻接矩阵学习空间相关性会引入噪声和时间特征提取不够充分的问题，本文提出了一种基于多范围双向掩码图卷积GRU网络的交通预测方法。首先，设计了一个掩码自适应邻接矩阵生成算法，自适应的从交通数据中学习道路之间的多空间相关性，结合掩码矩阵减小噪声空间相关性的引入。然后，使用三个子模块分别提取邻近时空特征、日周期时空特征和周周期时空特征。为了学习每个道路特定的交通模式，将节点的嵌入引入到图卷积和GRU的参数计算过程中。为了减少参数代价，前向和后向的掩码图卷积GRU层共享参数。实验结果表明所提模型的预测精度优于对比方法。
（3）针对现有方法对交通数据中动态多空间依赖和多尺度时间特征考虑不充分的问题，本文提出一种基于动态多尺度自适应多图卷积的交通预测方法。首先，使用多个图卷积网络提取多种空间依赖。其次，设计一个新的空间注意力层充分的学习空间依赖的重要性。然后，设计了采样卷积块，提取不同尺度的时间特征。最后，设计了一个时间注意力层捕获不同尺度时间特征的重要性。在四个真实数据集上的实验结果表明，该方法的预测精度优于对比方法，并且能取得较好的长期预测性能。
（4）针对现有方法中隐私泄露和联邦学习预测模型中空间信息丢失的问题，本文提出了一个基于空间信息填充的联邦图卷积神经网络交通预测方法。首先，应用联邦学习保护数据隐私。其次，设计了一个补图神经网络模块填充丢失的空间信息。 然后，提出了一个个性化的训练算法，用于训练补图神经网络，更有效填充丢失的空间信息和提取空间特征，减少通讯代价。在四个公共数据集上的大量实验结果证明所提方法不仅预测精度优于先进的的中心式交通预测方法，而且能保护数据隐私。
主要学术成果
Na Hu，Dafang Zhang, Kun Xie, Wei Liang, Chunyan Diao，Kuan-Ching Li. Multi-range bidirectional mask graph convolution based GRU networks for traffic prediction, Journal of Systems Architecture，133: 102775 (2022)，(SCI，第一作者)
Na Hu，Dafang Zhang, Kun Xie, Wei Liang, Meng-Yen Hsieh, Graph learning-based spatial-temporal graph convolutional neural networks for traffic forecasting, Connection Science, 34(1): 429-448 (2022)，（SCI，第一作者）
Na Hu，Dafang Zhang, Kun Xie, Wei Liang, Kuanching Li, Albert Zomaya. Multi-Graph Fusion based Graph Convolutional Networks for Traffic Prediction, ComputerCommunications, (已接收), (SCI，第一作者)
Na Hu，Dafang Zhang，Gang Liu, Kun Xie, Wei Liang, Kuanching Li. A Federated Graph Convolutional Network with Spatial Information Completion for Privacy-Preserving Traffic Prediction，Journal of Systems Architecture (under review), (SCI，第一作者)
Na Hu，Dafang Zhang，Gang Liu, Wei Liang, Kuanching Li, Albert Zomaya. Dynamic Multi-Scale Adaptive Multi-Graph Convolutional Network for Traffic Prediction, Expert Systems with Applications (under review), (SCI，第一作者)
Na Hu，Dafang Zhang, Wei Liang, Kuanching Li, Arcangelo Castiglione. DSTGCS：An Intelligent Dynamic Spatial-Temporal Graph Convolutional System for Traffic Flow Prediction in ITS, Soft Computing (under review), (SCI，第一作者)
