[論文レビュー] A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network

Na Zhang, Xuefeng Guan+3 more|arXiv (Cornell University)|Apr 14, 2019

Traffic Prediction and Management Techniques参考文献 23被引用数 9

ひとこと要約

本稿では、ウェーブレット変換とモチーフベースのグラフ畳み込み再帰ニューラルネットワーク（Motif-GCRNN）を統合したハイブリッド交通速度予測モデルを提案する。交通データを低周波数成分と高周波数成分に分解し、空間的・時間的依存性をモデル化するためのMotif-GCRNNと、高周波数成分に対してARMAを適用することで、成都のデータセット上で最先端の性能を達成した。

ABSTRACT

Traffic forecasting is crucial for urban traffic management and guidance. However, existing methods rarely exploit the time-frequency properties of traffic speed observations, and often neglect the propagation of traffic flows from upstream to downstream road segments. In this paper, we propose a hybrid approach that learns the spatio-temporal dependency in traffic flows and predicts short-term traffic speeds on a road network. Specifically, we employ wavelet transform to decompose raw traffic data into several components with different frequency sub-bands. A Motif-based Graph Convolutional Recurrent Neural Network (Motif-GCRNN) and Auto-Regressive Moving Average (ARMA) are used to train and predict low-frequency components and high-frequency components, respectively. In the Motif-GCRNN framework, we integrate Graph Convolutional Networks (GCNs) with local sub-graph structures - Motifs - to capture the spatial correlations among road segments, and apply Long Short-Term Memory (LSTM) to extract the short-term and periodic patterns in traffic speeds. Experiments on a traffic dataset collected in Chengdu, China, demonstrate that the proposed hybrid method outperforms six state-of-art prediction methods.

研究の動機と目的

• 既存の交通予測手法が時間周波数特性や上流・下流の流れの伝播を捉えることのできない制限を解消すること。
• 標準的なグラフニューラルネットワークよりも、道路ネットワーク内の複雑な空間的・時間的依存関係をより効果的にモデル化すること。
• 周波数分解と異なる信号成分に対する専用モデリングを活用することで、短期交通速度予測の精度を向上させること。
• モチーフベースの局所的グラフ構造と再帰ネットワークを統合し、交通フローのダイナミクスをよりよく表現すること。
• 実世界の交通データ上で、複数の最先端のベースラインと比較して、提案されたハイブリッドフレームワークの有効性を検証すること。

提案手法

• 本手法は、生の交通速度時系列を複数の周波数帯に分解するため、離散ウェーブレット変換（DWT）を適用し、低周波数成分と高周波数成分に分離する。
• 低周波数成分は、局所的サブグラフモチーフを通じて空間相関を捉えるモチーフベースのグラフ畳み込み再帰ニューラルネットワーク（Motif-GCRNN）でモデル化する。
• Motif-GCRNNは、グラフ畳み込みネットワーク（GCNs）とモチーフ構造を統合し、道路区間間の空間的依存関係を学習した後、LSTM層を用いて短期的および周期的な時間的パターンを抽出する。
• 高周波数成分は、定常的で高周波数の変動に適した、自己回帰移動平均（ARMA）モデルでモデル化する。
• 低周波数モデルと高周波数モデルの予測結果を統合して、最終的な交通速度予測を再構築する。
• モデルは中国・成都の実世界交通データセット上でエンドツーエンドに訓練され、RMSEやMAEといった標準指標を用いて性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットに基づく周波数分解は、短期交通速度予測の精度を向上させることができるか？
• RQ2 標準的なGCNと比較して、モチーフベースのグラフ畳み込みネットワークは、道路ネットワーク内の空間的依存関係をどれほど効果的に捉えられるか？
• RQ3 LSTMとモチーフ構造を統合することで、交通速度の周期的および短期的時間的パターンのモデリングが向上するか？
• RQ4 高周波数成分に対してARMAモデリングを適用することで、これらの成分についてディープラーニングモデルを上回る性能が得られるか？
• RQ5 周波数帯ごとに専用モデルを適用するウェーブレット分解とハイブリッドアーキテクチャは、既存のSOTA手法を上回る性能を達成できるか？

主な発見

• 提案されたハイブリッドモデルは、6つの最先端手法と比較して、成都交通データセットで最小のRMSEとMAEを達成した。
• ウェーブレット変換の統合により、交通ダイナミクスの周波数特異的モデリングが可能になり、予測精度が顕著に向上した。
• モチーフベースの空間的依存関係の捉え方により、実際の交通フロー伝播パターンを反映する局所的空間的モチーフを捉えることができ、標準的なGCNベースのモデルを上回った。
• 高周波数成分に対してARMAを適用することで、これらの成分についてディープラーニングモデルよりもより正確で効率的な代替手段が得られた。
• アブレーションスタディにより、ウェーブレット分解とモチーフベースの空間モデリングの両方が、全体の性能向上に顕著に寄与していることが確認された。
• モデルはさまざまな時間間隔にわたり頑健であり、急激な交通変化や周期的傾向を特にうまく捉えていた。