[論文レビュー] AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Chao Tao+5 more|arXiv (Cornell University)|Nov 22, 2020

Traffic Prediction and Management Techniques参考文献 34被引用数 17

ひとこと要約

本稿では、交通予測に静的（例：POI分布）および動的（例：天候）な外部属性を統合する新しい時空間グラフ畳み込みネットワーク、AST-GCNを提案する。これらの属性を動的・静的特徴としてモデル化し、属性拡張ユニットを介して統合することで、複数のデータセットおよび予測時間窓においてベースラインモデルを上回る予測精度と解釈可能性を実現した。

ABSTRACT

Traffic forecasting is a fundamental and challenging task in the field of intelligent transportation. Accurate forecasting not only depends on the historical traffic flow information but also needs to consider the influence of a variety of external factors, such as weather conditions and surrounding POI distribution. Recently, spatiotemporal models integrating graph convolutional networks and recurrent neural networks have become traffic forecasting research hotspots and have made significant progress. However, few works integrate external factors. Therefore, based on the assumption that introducing external factors can enhance the spatiotemporal accuracy in predicting traffic and improving interpretability, we propose an attribute-augmented spatiotemporal graph convolutional network (AST-GCN). We model the external factors as dynamic attributes and static attributes and design an attribute-augmented unit to encode and integrate those factors into the spatiotemporal graph convolution model. Experiments on real datasets show the effectiveness of considering external information on traffic forecasting tasks when compared to traditional traffic prediction methods. Moreover, under different attribute-augmented schemes and prediction horizon settings, the forecasting accuracy of the AST-GCN is higher than that of the baselines.

研究の動機と目的

• 交通状態に影響を与える外部要因を組み込めていない従来の交通予測モデルの限界を解消すること。
• 静的（例：POI密度）および動的（例：天候）属性を時空間学習プロセスの一部としてモデル化することで、予測精度の向上を図ること。
• 外部属性を明示的に符号化・統合することで、グラフ畳み込みフレームワークにおけるモデルの解釈可能性を向上させること。
• 摂動解析を通じて、ノイズが多いデータ条件下でもモデルの頑健性と一般化性能を示すこと。
• 除去研究および転換点やピークにおける予測性能の可視化を通じて、属性拡張の有効性を検証すること。

提案手法

• ノードを道路セグメント、エッジを空間的接続性として表す空間的グラフとして道路ネットワークをモデル化する。
• 静的属性（例：POIの種別および数）と動的属性（例：天候状態）を別々に符号化する属性拡張ユニットを導入し、追加の入力特徴として提供する。
• グラフ畳み込み層に供給する前に、交通フロー特徴と属性埋め込みを学習可能なアテンションまたは連結メカニズムで統合する。
• 空間的依存関係を捉えるためにグラフ畳み込みネットワーク（GCN）を適用し、時間的ダイナミクスを捉えるためにゲート付き再帰ユニット（GRU）を用いる。
• 予測過程において、異なる属性の重要度を動的に重み付けるためにマルチヘッドアテンションメカニズムを用いる。
• 実世界の交通データセット上で平均絶対誤差（MAE）および平均二乗誤差（MSE）損失関数を用いて、エンドツーエンドのモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 静的および動的外部属性の統合が、時空間交通予測の精度を向上させることができるか？
• RQ2 静的属性（例：POI分布）および動的属性（例：天候）が、個別および併合された状態で予測性能に与える影響は何か？
• RQ3 ノイズが多いデータ条件下でもAST-GCNモデルが良好に一般化するか、すなわち頑健性を示すか？
• RQ4 モデルは短時間予測と長時間予測の両方において、特に転換点やピークでの交通傾向をどれほど正確に捉えられるか？
• RQ5 外部属性が、混雑や急激な速度低下といった重要な交通イベントの予測能力をどの程度向上させるか？

主な発見

• AST-GCNは、複数のデータセットにおいてベースラインモデルを上回る優れた予測精度を達成し、MAEおよびRMSE指標で顕著な改善を示した。
• 静的および動的属性の組み合わせが最良のパフォーマンスをもたらし、多様な外部情報が予測能力を向上させることを示した。
• ガウスノイズおよびポissonノイズの下でもモデルは頑健であり、さまざまなノイズレベルにおいて性能の低下が最小限に抑えられた。
• 長期間予測（例：60分予測）では短期間予測（例：15分予測）よりも誤差が高くなる傾向にあり、短距離依存性の捉えが優れていることが示された。
• 可視化結果から、静的および動的属性を併用した属性拡張予測が、特に転換点やピークにおいて真値に近い結果を示していることが確認された。
• 除去研究の結果、外部属性を統合したモデルは、それらを含まないモデルよりも優れた性能を示し、特に交通速度の急激な変化を捉える能力が向上した。