[論文レビュー] A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Yujiao Song+2 more|arXiv (Cornell University)|Jun 20, 2020

Traffic Prediction and Management Techniques参考文献 32被引用数 18

ひとこと要約

本稿では、空間的依存関係のモデリングにグラフ畳み込みニューラルネットワーク（GCN）を、グローバルな時間的ダイナミクスのモデリングにゲート付き再帰ユニット（GRU）とアテンション機構を統合した、A3T-GCNと呼ばれる新しい交通予測モデルを提案する。本モデルは、実世界のデータセットにおいて最先端の性能を達成し、複数の予測時間窓において、RMSEを最大1.31%低減し、精度を最大0.48%向上させた。

ABSTRACT

Accurate real-time traffic forecasting is a core technological problem against the implementation of the intelligent transportation system. However, it remains challenging considering the complex spatial and temporal dependencies among traffic flows. In the spatial dimension, due to the connectivity of the road network, the traffic flows between linked roads are closely related. In terms of the temporal factor, although there exists a tendency among adjacent time points in general, the importance of distant past points is not necessarily smaller than that of recent past points since traffic flows are also affected by external factors. In this study, an attention temporal graph convolutional network (A3T-GCN) traffic forecasting method was proposed to simultaneously capture global temporal dynamics and spatial correlations. The A3T-GCN model learns the short-time trend in time series by using the gated recurrent units and learns the spatial dependence based on the topology of the road network through the graph convolutional network. Moreover, the attention mechanism was introduced to adjust the importance of different time points and assemble global temporal information to improve prediction accuracy. Experimental results in real-world datasets demonstrate the effectiveness and robustness of proposed A3T-GCN. The source code can be visited at https://github.com/lehaifeng/T-GCN/A3T.

研究の動機と目的

• 都市交通予測における複雑な時空間的依存関係を捉える課題に対処すること。
• 道路網のトポロジーに基づいたグラフ畳み込みニューラルネットワーク（GCN）を用いて空間相関をモデリングすること。
• アテンション機構を用いて、短期トレンドを超えた長距離時間的ダイナミクスを捉えること。
• ノイズの多い実世界の条件下でも、予測の精度と頑健性を向上させること。
• 交通速度の空間的およびグローバルな時間的パターンを統合的にモデリングする深層学習フレームワークを構築すること。

提案手法

• 道路網は、ノードが道路セグメントを表し、エッジが接続性を表すグラフ G = (V, E) としてモデル化される。
• 空間的依存関係は、隣接行列 A を介して接続された道路セグメント間で特徴を伝搬するグラフ畳み込みニューラルネットワーク（GCN）を用いて捉える。
• 時間的ダイナミクスは、時系列交通速度データから短期トレンドを学ぶゲート付き再帰ユニット（GRU）を用いてモデリングされる。
• アテンション機構により、異なる歴史的時間ステップの重要性を動的に重み付けし、グローバルな時間的特徴の集約を可能にする。
• GCNとGRUの出力を統合し、最終的な全結合層を通過させて交通速度予測を行う。
• 本モデルは、実世界の交通速度データセット上で平均二乗誤差（MSE）損失を用いてエンド・トゥ・エンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 統合された深層学習モデルは、交通予測において空間的依存関係とグローバルな時間的ダイナミクスの両方を効果的に捉えることができるか？
• RQ2 アテンション機構の統合により、標準的なRNNと比較して、長距離時間的依存関係のモデリングがどの程度向上するか？
• RQ3 予測時間窓が異なる場合に、A3T-GCNはGCN、GRU、T-GCNなどの既存手法をどの程度上回る予測精度を達成するか？
• RQ4 ガウス分布およびポisson分布のノイズに対して、A3T-GCNはどの程度の頑健性を示すか、特に実世界の交通データにおけるノイズに強いか？
• RQ5 本モデルは、ラッシュアワーの発生や混雑状態の発生といった交通パターンを正確に捉えることができるか？

主な発見

• ロスループデータセットにおける30分予測時間窓では、A3T-GCNはT-GCNと比較してRMSEが1.31%低く、精度が0.48%高い結果を達成した。
• SZ-taxiデータセットでは、45分予測においてA3T-GCNはRMSEを約1.14%低減し、精度を0.43%向上させた。
• モデルはノイズに対して頑健であり、ガウスノイズ（σ ∈ {0.2, 0.4, 0.8, 1, 2}）およびポissonノイズ（λ ∈ {1, 2, 4, 8, 16}）のさまざまなレベルにおいて安定した性能を維持した。
• 可視化結果から、A3T-GCNはラッシュアワーのパターンや混雑の発生といった交通速度のトレンドを正確に捉えていることが確認された。
• HA、ARIMA、SVR、GCN、GRU、T-GCNを含むベースラインモデルすべてに対して、すべての評価指標および予測時間窓でA3T-GCNが優れた性能を示した。
• アテンション機構により、グローバルな時間的特徴の学習が顕著に向上し、全時間窓においてT-GCNを上回る一貫した性能向上が確認された。