[論文レビュー] Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting

Lei Bai, Lina Yao+3 more|arXiv (Cornell University)|Jul 6, 2020

Traffic Prediction and Management Techniques参考文献 46被引用数 697

ひとこと要約

本論文は、ノード固有のGCNパラメータとデータ駆動グラフを学習する適応的フレームワーク AGCRN を提案し、事前に定義された空間グラフを用いずにマルチステップの交通予測を実現し、最先端手法より精度を向上させます。

ABSTRACT

Modeling complex spatial and temporal correlations in the correlated time series data is indispensable for understanding the traffic dynamics and predicting the future status of an evolving traffic system. Recent works focus on designing complicated graph neural network architectures to capture shared patterns with the help of pre-defined graphs. In this paper, we argue that learning node-specific patterns is essential for traffic forecasting while the pre-defined graph is avoidable. To this end, we propose two adaptive modules for enhancing Graph Convolutional Network (GCN) with new capabilities: 1) a Node Adaptive Parameter Learning (NAPL) module to capture node-specific patterns; 2) a Data Adaptive Graph Generation (DAGG) module to infer the inter-dependencies among different traffic series automatically. We further propose an Adaptive Graph Convolutional Recurrent Network (AGCRN) to capture fine-grained spatial and temporal correlations in traffic series automatically based on the two modules and recurrent networks. Our experiments on two real-world traffic datasets show AGCRN outperforms state-of-the-art by a significant margin without pre-defined graphs about spatial connections.

研究の動機と目的

• 交通データのために、GCNの共有パラメータを超えるノード固有のパターンの学習を動機づける。
• データから関係性を推定して、手作業で作成した隣接グラフへの依存を排除する。
• ノード適応型GCNをリカレントネットワークと統合して、空間-時間的ダイナミクスを捉える。
• エンドツーエンドで訓練可能なモジュールを提供し、マルチステップの交通予測性能を向上させる。

提案手法

• 小規模なノード埋め込みと共有ウェイトプールからノード固有のGCNパラメータを生成するノード適応パラメータ学習（NAPL）を提案する。
• 学習済みノード埋め込みとSoftmax-ReLU正規化を介してノード間依存性を推定し、データ駆動の隣接表現を生み出すデータ適応グラフ生成（DAGG）を提案する。
• NAPLとDAGGをGRUベースのリカレントバックボーンと統合してAGCRNを構成し、層を通じて統一ノード埋め込みを共有する。
• マルチステップ予測のためにAGCRN層を積み上げ、出力を線形層で投影する。
• Adam最適化手法で、次のτステップに対するL1損失を用いてエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 ノード固有のパラメータ化は、共有パラメータのGCNと比べて交通予測の精度を向上させるか？
• RQ2 事前定義されたグラフを用いずにデータから空間的依存関係を直接推定し、予測精度を維持できるか？
• RQ3 適応モジュール全体でノード埋め込みを統一することが性能と解釈性を向上させるか？
• RQ4 実データセットにおけるマルチステップ交通予測で、既存ベースラインと比較してAGCRNはどの程度の性能を示すか？
• RQ5 埋め込み次元が性能とモデルの複雑さに与える影響は何か？

主な発見

モデル	データセット	MAE	RMSE	MAPE
HA	PeMSD4	38.03	59.24	27.88%
HA	PeMSD8	34.86	52.04	24.07%
VAR	PeMSD4	24.54	38.61	17.24%
VAR	PeMSD8	19.19	29.81	13.10%
GRU-ED	PeMSD4	23.68	39.27	16.44%
GRU-ED	PeMSD8	22.00	36.23	13.33%
DSANet	PeMSD4	22.79	35.77	16.03%
DSANet	PeMSD8	17.14	26.96	11.32%
DCRNN	PeMSD4	21.22	33.44	14.17%
DCRNN	PeMSD8	16.82	26.36	10.92%
STGCN	PeMSD4	21.16	34.89	13.83%
STGCN	PeMSD8	17.50	27.09	11.29%
ASTGCN	PeMSD4	22.93	35.22	16.56%
ASTGCN	PeMSD8	18.25	28.06	11.64%
STSGCN	PeMSD4	21.19	33.65	13.90%
STSGCN	PeMSD8	17.13	26.86	10.96%
AGCRN	PeMSD4	19.83	32.26	12.97%
AGCRN	PeMSD8	15.95	25.22	10.09%

• AGCRNはPeMSD4とPeMSD8でMAE・RMSE・MAPEの12ホライズン全体で最先端ベースラインを上回り、顕著な改善を示す（例：PeMSD4でMAEを19.83へ、PeMSD8で15.95へ低減）。
• アブレーション研究は、ノード固有パターン（NAPL）とデータ駆動グラフ（DAGG）の両方が改善に寄与し、DAGGと統一埋め込みが高い効果をもたらすことを示す。
• このモデルは、両データセットで最も強力なベースラインに対してMAEおよびMAPEで相対的に5%以上の改善を達成する。
• DAGG分析は自己情報項（アイデンティティ）が重要であり、学習されたグラフはChebyshevベースのGCNの性質と類似しており、事前定義グラフと同等の性能を示す。
• 埋め込み次元を約10とすると、表現力と過学習リスクのバランスが取れて堅牢な性能を提供する。