[論文レビュー] Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting

Jun Fu, Wei Zhou+1 more|arXiv (Cornell University)|Oct 15, 2020

Traffic Prediction and Management Techniques参考文献 29被引用数 14

ひとこと要約

本稿では、道路網のトポロジーと交通データを統合的にエンドツーエンドで学習するベイジアン時空間的グラフ畳み込みネットワーク（BSTGCN）を提案する。パラメトリックな生成モデルを用いて不確実性を捉える。BSTGCNは最先端手法を上回り、Los-loopデータセットにおける60分予測でR²が最大3.85%向上した。

ABSTRACT

In traffic forecasting, graph convolutional networks (GCNs), which model traffic flows as spatio-temporal graphs, have achieved remarkable performance. However, existing GCN-based methods heuristically define the graph structure as the physical topology of the road network, ignoring potential dependence of the graph structure over traffic data. And the defined graph structure is deterministic, which lacks investigation of uncertainty. In this paper, we propose a Bayesian Spatio-Temporal Graph Convolutional Network (BSTGCN) for traffic prediction. The graph structure in our network is learned from the physical topology of the road network and traffic data in an end-to-end manner, which discovers a more accurate description of the relationship among traffic flows. Moreover, a parametric generative model is proposed to represent the graph structure, which enhances the generalization capability of GCNs. We verify the effectiveness of our method on two real-world datasets, and the experimental results demonstrate that BSTGCN attains superior performance compared with state-of-the-art methods.

研究の動機と目的

• GCNにおける固定されたトポロジー依存のグラフ構造の限界を是正する。これは交通フローのデータ駆動的依存関係を無視するものである。
• グラフ構造を確率的生成プロセスとしてモデル化することで、不確実性を導入し、一般化性能を向上させる。
• バックプロパゲーションを用いて、グラフ構造とGCN重みの共同最適化をエンドツーエンドで行い、予測精度を向上させる。
• 静的でない道路接続性を超えた複雑な時空間的依存関係を捉えることで、長期交通予測を改善する。
• 実世界の交通データセットを用いて手法を検証し、従来手法に比べて優位性と頑健性を示す。

提案手法

• 物理的道路上トポロジーと観測された交通データの両方から、エンドツーエンドで交通グラフの隣接行列を学習する。
• グラフ構造をパラメトリックな生成分布からのサンプルとしてモデル化し、不確実性の定量化を可能にする。
• トレーニング中に最も確率の高いグラフ構造を推定するために、最大事後確率（MAP）推定を用いる。
• 学習されたグラフ構造を、時系列モデリングに特化したGRUと統合したグラフ畳み込みネットワーク（GCN）に組み込む。
• 生成モデルのパラメータとGCN重みをバックプロパゲーションにより同時に最適化し、予測性能を向上させる。
• 物理的トポロジーとは異なり、データから学習することで非対称的かつ負の関係をとることを可能にする。

実験結果

リサーチクエスチョン

• RQ1 データ駆動的で学習可能なグラフ構造は、固定されたトポロジー依存のグラフと比較して交通予測の正確性を向上させるか？
• RQ2 ベイジアン生成モデルによるグラフ構造への不確実性の組み込みは、交通予測における一般化性能を向上させるか？
• RQ3 本稿で提案するグラフ構造とGCN重みのエンドツーエンド学習は、従来のGCN手法と比較して長期予測においてどのように差をつけるか？
• RQ4 モデルは、物理的道路上ネットワークに反映されていない非局所的かつ非直感的な交通依存関係をどの程度捉えることができるか？
• RQ5 GRUリセットゲートにおける活性化関数の選択が、異なるデータセットにおける性能にどのように影響を与えるか？

主な発見

• Los-loopデータセットにおける60分予測において、BSTGCNはT-GCNに対してR²で3.85%向上し、A3T-GCNに対しては2.61%向上した。
• 15分予測においては、BSTGCNはT-GCNに対してR²で1.76%、A3T-GCNに対しては1.57%向上した。
• 学習された隣接行列（A_G）は非対称的かつ非正の関係を示しており、観測されたトポロジーに捉えきれない複雑な依存関係を明らかにした。
• 誤差の蓄積が顕著になる長期予測において、モデルは優れた性能を示した。
• GRUリセットゲートの活性化関数をシグモイドからアイデンティティ関数に切り替えると、Los-loopデータセットで性能が向上した。これは、データセットに特有のアーキテクチャ的好みがある可能性を示唆している。
• より定常的であるとされるSZ-taxiデータセットでは、単純な履歴平均モデルも良好な性能を示したが、BSTGCNは依然として顕著に優れており、特に長期予測において顕著な優位性を示した。