[論文レビュー] Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting

Yaguang Li, Rose Yu+2 more|arXiv (Cornell University)|Jul 6, 2017

Traffic Prediction and Management Techniques参考文献 22被引用数 503

ひとこと要約

DCRNNを紹介し、拡散ベースのグラフ畳み込みを有向道路グラフ上で拡散GRUおよびシーケンス対シーケンス学習（スケジュールド・サンプリングを伴う）と組み合わせて交通速度を予測する。実世界データセットでベースラインを上回る。

ABSTRACT

Spatiotemporal forecasting has various applications in neuroscience, climate and transportation domain. Traffic forecasting is one canonical example of such learning task. The task is challenging due to (1) complex spatial dependency on road networks, (2) non-linear temporal dynamics with changing road conditions and (3) inherent difficulty of long-term forecasting. To address these challenges, we propose to model the traffic flow as a diffusion process on a directed graph and introduce Diffusion Convolutional Recurrent Neural Network (DCRNN), a deep learning framework for traffic forecasting that incorporates both spatial and temporal dependency in the traffic flow. Specifically, DCRNN captures the spatial dependency using bidirectional random walks on the graph, and the temporal dependency using the encoder-decoder architecture with scheduled sampling. We evaluate the framework on two real-world large scale road network traffic datasets and observe consistent improvement of 12% - 15% over state-of-the-art baselines.

研究の動機と目的

• 道路ネットワークにおける非ユークリッド・方向性空間依存を持つ時空間的交通予測を動機づける。
• 拡散畳み込みを用いて有向グラフ上の空間関係を拡散プロセスとしてモデリングする。
• エンコーダ-デコーダ系のDCGRUユニットで拡散畳み込みGRUを用いて時間的ダイナミクスを捉える。
• スケジュールドサンプリングによって長期予測の精度を向上させる。
• 大規模な実世界の交通データセットで優れた性能を示す。

提案手法

• 交通センサーを表す重み付き有向グラフ上の交通予測を定義する。
• Kステップの bidirectional ランダムウォークを用いて空間依存性を捉える拡散畳み込みを開発する。
• 標準GRUの乗算を拡散畳み込みで置換してDCGRUを形成する。
• DCGRUユニットを用いたエンコーダ-デコーダ型のシーケンス・ツー・シーケンス構造でマルチステップ予測を行う。
• 訓練と推論の分布を整合させるためにスケジュールドサンプリングを取り入れる。
• 将来の時系列の尤度を最大化するように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 拡散畳み込みは有向グラフ上で交通ネットワークの空間依存性を効果的に捉えられるか。
• RQ2 拡散畳み込みをリカレントなシーケンス対シーケンスモデリングと組み合わせると短期・長期の交通予測が改善されるか。
• RQ3 双方向拡散とスケジュールドサンプリングは予測精度にどのような影響を与えるか。
• RQ4 DCRNNは実世界の道路ネットワーク上で無向グラフやChebNetベースのグラフ畳み込みと比べてどの程度優れているか。

主な発見

• DCRNNはMETR-LAおよびPEMS-BAYデータセットの全予測ホライズンにおいて一貫して最良の性能を達成する。
• 双方向拡散は単方向拡散や拡散なしと比べて予測精度を向上させる。
• 拡散フィルタ幅（K）を大きくしユニット数を増やすと誤差は低下するが、ある点までで効果が飽和する。
• エンコーダ-デコーダとスケジュールドサンプリングはマルチステップ予測時の誤差伝搬を軽減する。
• 有向グラフモデリングは無向グラフ手法（例：ChebNetベースのGCRNN）より交通データに対して優れている。
• DCGRUベースの時間モデリングは従来のDCNNおよび非時系列ベースのベースラインよりも特に長期予測で優れる。