[論文レビュー] DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting

Kyung‐Eun Lee, Wonjong Rhee|arXiv (Cornell University)|May 29, 2019

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

DDP-GCNは、距離、方向、位置関係を空間的依存性として統合するマルチグラフ畳み込みネットワークを提案する。これらの非ユークリッド的関係をグラフ要素とパーティショニングフィルタを用いてモデル化することで、複雑な都市ネットワークにおける長期予測において顕著な性能向上を達成した。特にピーク時刻において顕著である。

ABSTRACT

Traffic speed forecasting is one of the core problems in transportation systems. For a more accurate prediction, recent studies started using not only the temporal speed patterns but also the spatial information on the road network through the graph convolutional networks. Even though the road network is highly complex due to its non-Euclidean and directional characteristics, previous approaches mainly focused on modeling the spatial dependencies using the distance only. In this paper, we identify two essential spatial dependencies in traffic forecasting in addition to distance, direction and positional relationship, for designing basic graph elements as the fundamental building blocks. Using the building blocks, we suggest DDP-GCN (Distance, Direction, and Positional relationship Graph Convolutional Network) to incorporate the three spatial relationships into deep neural networks. We evaluate the proposed model with two large-scale real-world datasets, and find positive improvements for long-term forecasting in highly complex urban networks. The improvement can be larger for commute hours, but it can be also limited for short-term forecasting.

研究の動機と目的

• 既存のGCNベースの交通予測モデルが空間的依存性にユークリッド距離に依存するという限界を解決すること。
• 方向と位置関係という2つの非ユークリッド的空間的依存性を、交通予測のためのグラフベースのディープラーニングに特定して統合すること。
• 方向の流れと空間的近接性を含む複雑な道路網トポロジーを効果的に符号化するマルチグラフ畳み込みフレームワークを開発すること。
• 従来のモデルが困難とする、極めて複雑な都市環境における長期交通速度予測の精度を向上させること。
• 各空間的依存性の寄与度およびパーティショニングフィルタのようなアーキテクチャ的要素の影響を、アブレーションスタディを通じて調査すること。

提案手法

• 距離（W_D）、方向（W_θ）、位置関係（W_P）の3つの異なるグラフ要素を定義し、それぞれが異なる空間的依存性を表す。
• 各グラフ要素を個別に処理するマルチグラフ畳み込みネットワークを構築し、スタックドアーキテクチャを用いて統合する。
• 方向性および距離ベースのグラフを類似した特性を持つコンポーネントに分割するためのパーティショニングフィルタT_MおよびT'_Mを導入し、表現学習を強化する。
• メッセージパッシングにK多項式ChebNetを用い、スタックドマルチグラフ設計により大規模なKホップ畳み込みの必要性を排除する。
• 残差接続およびゲート付きメカニズムを適用し、長距離の時系列依存性を捉える。時系列モデリングと空間的グラフ学習を統合する。
• 歴史的な速度シーケンスを用いてエンドツーエンドのモデルを訓練し、将来の時系列ステップにおける予測精度を最適化する。

実験結果

リサーチクエスチョン

• RQ1 距離のみに依存するモデルと比較して、非ユークリッド的空間的依存性（方向および位置関係）は交通速度予測精度にどのように影響するか？
• RQ2 距離、方向、位置関係という異なる空間的グラフ要素を持つマルチグラフ畳み込みは、単一グラフまたはKホップGCNベースラインを上回る性能を示せるか？
• RQ3 アブレーションによって測定した場合、各空間的依存性（距離、方向、位置関係）がモデル性能に果たす相対的寄与度は何か？
• RQ4 パーティショニングフィルタは、方向性のある道路網における空間的関係のモデル化をどのように改善するか？
• RQ5 特に長期予測において、スタックドマルチグラフ設計は、標準的なKホップGCN畳み込みを上回る性能を示せるか？

主な発見

• DDP-GCNは、2つの大規模な実世界の都市ネットワークデータセットにおいて、特に通勤ピーク時刻に顕著な長期交通速度予測性能の向上を達成した。
• アブレーションスタディの結果、位置関係のグラフ要素を削除すると最も大きな性能低下が生じ、空間的依存性のモデル化においてその重要性が示された。
• 方向性または位置関係のグラフを距離のみのグラフに置き換えると性能が低下し、距離のみでは複雑な都市ネットワークのモデル化に不十分であることが確認された。
• パーティショニングフィルタの使用は一貫してモデル性能を向上させ、空間的グラフ表現の精錬に有効であることが示された。
• DDP-GCN（スタックド）は、K値を大きくしたKホップGCNモデルですら上回る性能を示し、Kホップによる受容 field の拡大よりも、異なる空間的グラフ要素をスタックするアプローチがより効果的であることが示された。
• 短期予測においては限定的な向上が観察されたため、本モデルの主な利点は、極めて複雑な都市道路網における長距離の空間的および時系列的依存性のモデル化にあり、その点が顕著である。