[論文レビュー] CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting

Yuchen Fang, Yanjun Qin+5 more|arXiv (Cornell University)|Dec 6, 2021

Traffic Prediction and Management Techniques被引用数 9

ひとこと要約

CDGNetは、ゲーティング機構を用いて疎で現実的な空間相関を強制することで、各時刻スライス内の空間的依存関係と、履歴時刻スライス間の空間的依存関係の両方を捉えるクロスタイム動的グラフベースのGCNモデルを提案する。道路網における長距離時系列伝播効果をモデル化することで、3つの実世界の交通予測データセットで最先端の性能を達成する。

ABSTRACT

Traffic forecasting is important in intelligent transportation systems of webs and beneficial to traffic safety, yet is very challenging because of the complex and dynamic spatio-temporal dependencies in real-world traffic systems. Prior methods use the pre-defined or learnable static graph to extract spatial correlations. However, the static graph-based methods fail to mine the evolution of the traffic network. Researchers subsequently generate the dynamic graph for each time slice to reflect the changes of spatial correlations, but they follow the paradigm of independently modeling spatio-temporal dependencies, ignoring the cross-time spatial influence. In this paper, we propose a novel cross-time dynamic graph-based deep learning model, named CDGNet, for traffic forecasting. The model is able to effectively capture the cross-time spatial dependence between each time slice and its historical time slices by utilizing the cross-time dynamic graph. Meanwhile, we design a gating mechanism to sparse the cross-time dynamic graph, which conforms to the sparse spatial correlations in the real world. Besides, we propose a novel encoder-decoder architecture to incorporate the cross-time dynamic graph-based GCN for multi-step traffic forecasting. Experimental results on three real-world public traffic datasets demonstrate that CDGNet outperforms the state-of-the-art baselines. We additionally provide a qualitative study to analyze the effectiveness of our architecture.

研究の動機と目的

• 既存手法が交通ネットワークにおける長距離で、履歴に起因する空間的依存関係を捉えることの限界を解決すること。
• 各時刻スライス内だけでなく、時間にわたる動的な空間的相関をモデル化し、交通イベントの現実世界の伝播遅延を反映すること。
• 学習可能なゲーティング機構を導入することで、非物理的接続に起因するノイズを低減し、交通グラフの疎性を強制すること。
• マルチステップ予測に効果的に統合できるクロスタイム動的グラフ畳み込みを備えたエンコーダ・デコーダアーキテクチャを設計すること。
• 最先端のベースラインと比較して、実世界の交通データセットで優れた性能を示すこと。

提案手法

• CDGNetは、各時刻スライスとその履歴時刻スライス間の空間的相関を計算するクロスタイム動的グラフ畳み込みネットワーク（CDGCN）を導入し、交通効果の時系列伝播をモデル化する。
• モデルは、クロスタイム動的グラフにおける不要なエッジを削除するための学習可能なゲーティング機構を用い、現実世界の交通相関パターンに整合した疎性を強制する。
• CDGCNをエンコーダに統合し、履歴依存関係をモデル化するとともに、デコーダでCDGCN-EDを用いてクロスタイム空間的アテンションを用いて将来の時刻ステップを予測する、新規なエンコーダ・デコーダアーキテクチャを構築する。
• CDGCNは、センサ間の時系列にわたる動的エッジ重みを計算するためにマルチヘッド自己アテンションを用い、進化する空間的関係を捉える。
• マルチステップ予測タスクにおいて、MAE、RMSE、MAPEの損失関数を用いてエンド・ツー・エンドでモデルを訓練する。
• 深さ（L）、アテンションヘッド数（h）、ヘッド次元（d_h）のハイパーパrameterチューニングを実施し、最適設定はL=3、h=8、d_h=8で得られた。

実験結果

リサーチクエスチョン

• RQ1 クロスタイム空間的依存関係をモデル化することで、スライス内空間モデル化を超えるマルチステップ交通予測の精度向上が可能か？
• RQ2 遅延を伴う交通拡散といった時系列伝播効果を組み込むことで、予測性能にどのような影響を与えるか？
• RQ3 動的グラフの疎性化が、交通予測におけるモデル性能と一般化性能をどの程度向上させるか？
• RQ4 クロスタイムGCNを備えた提案されたエンコーダ・デコーダアーキテクチャは、静的または時刻スライスごとの動的グラフを用いる標準的なアーキテクチャを上回るか？
• RQ5 ネットワークの深さ、アテンションヘッド数、ヘッド次元といった主要ハイパーパrameterに、モデルはどの程度感受性を示すか？

主な発見

• CDGNetは、すべての3つのベンチマークデータセット（METR-LA、PEMS-Bay、PEMS04）で最先端の性能を達成し、全予測ホライズンにおいてMAE、RMSE、MAPEのすべての指標でSOTA手法を上回る。
• アブレーションスタディの結果、CDGCNを静的グラフ（Basic）に置き換えると性能が低下し、時間に依存する動的空間モデリングの有効性が確認された。
• SAtt（空間的自己アテンション）はBasicを上回る性能を示し、距離に基づく静的グラフよりもデータ駆動型の動的グラフが有効であることを示している。
• DGCN（動的GCN）はSAttを上回る性能を示し、アテンションベースのものよりも学習可能な動的グラフの優位性を裏付けている。
• CDGCNはDGCNを著しく上回り、履歴に起因する遅延効果を捉えるためにクロスタイム空間的依存関係が重要であることを実証している。
• 可視化結果から、CDGNetは遅延相関（例：センサ9が後にセンサ29に影響を与える）を正しく同定している一方、SAttとDGCNはこのような時系列伝播を捉えていないことが確認された。