[論文レビュー] 3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting

Bing Yu, Mengzhang Li+2 more|arXiv (Cornell University)|Mar 3, 2019

Traffic Prediction and Management Techniques参考文献 19被引用数 42

ひとこと要約

本論文は3D-TGCNを提案します。これは道路間の時間的類似性を学習して時間的隣接グラフを構築し、事前定義された空間グラフに依存せずに交通速度を予測する3Dグラフ畳み込みを行う時空間グラフニューラルネットワークです。

ABSTRACT

Spatio-temporal prediction plays an important role in many application areas especially in traffic domain. However, due to complicated spatio-temporal dependency and high non-linear dynamics in road networks, traffic prediction task is still challenging. Existing works either exhibit heavy training cost or fail to accurately capture the spatio-temporal patterns, also ignore the correlation between distant roads that share the similar patterns. In this paper, we propose a novel deep learning framework to overcome these issues: 3D Temporal Graph Convolutional Networks (3D-TGCN). Two novel components of our model are introduced. (1) Instead of constructing the road graph based on spatial information, we learn it by comparing the similarity between time series for each road, thus providing a spatial information free framework. (2) We propose an original 3D graph convolution model to model the spatio-temporal data more accurately. Empirical results show that 3D-TGCN could outperform state-of-the-art baselines.

研究の動機と目的

• 複雑な時空間ダイナミクスと信頼できる空間トポロジ情報の制約下で正確な交通予測を動機づける。
• 交通跨ぎのパターンを捉えるための時系列の時間的類似性に基づくデータ駆動型グラフ構築を提案する。
• 空間-時空間依存性を同時に学習する3Dグラフ畳み込みアーキテクチャを開発する。
• 時間的類似性グラフが実世界データセットで従来の空間隣接よりも優れることを示す。

提案手法

• 道路の時系列データにDynamic Time Warping (DTW)を適用して時間的類似性グラフを構築し、各道路を最も類似する道路と接続する。
• 単一層で空間的隣接と時間窓を同時に集約する3Dグラフ畳み込み演算を開発する。
• 複数の3Dグラフ畳み込みブロックを層正規化とGLU活性化で積み上げ、エンドツーエンドのネットワークを形成する。
• 短期の交通予測ホライズンに対してL2とL1の結合損失を用い、Adamで最適化して訓練する。
• 現実世界データセットPeMSD7とPEMS-BAYでベースラインに対して評価し、STGCN、DCRNN、その他のモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 道路間の時間的隣接性を学習することで交通速度予測を改善できるか。
• RQ2 空間と時間情報を融合する3Dグラフ畳み込みは、これらの次元を別々に扱うモデルより優れているか。
• RQ3 純粋にデータ駆動で、空間情報なしのグラフ構築は実世界の交通ネットワーク規模で実現可能か。
• RQ4 3D-TGCNは最先端のベースラインと比較して短期・長期の予測タスクでどの程度性能を発揮するか。

主な発見

• 3D-TGCNは空間トポロジーグラフを必要とせず、2つの大規模実世界データセットで最先端の性能を達成した。
• 時系列類似性ベースのグラフ（DTW）は、予測のための道路関係をモデル化する際に従来の空間隣接より優れている。
• 3Dグラフ畳み込み層は空間的・時間的依存性を同時に捉え、いくつかのRNNベース手法より訓練と収束が速い。
• PeMSD7およびPEMS-BAYでは、短期および長期の予測で3D-TGCNの予測精度が高く、STGCNやDCRNNなどのベースラインをいくつかの設定で上回る。
• グラフ学習と共通の3D畳み込み設計のおかげで、交通予測以外の時空間タスクにもスケーラブルで適応可能なモデルである。