[論文レビュー] DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting

Yanjun Qin, Yuchen Fang+3 more|arXiv (Cornell University)|Dec 4, 2021

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

本稿では、距離に基づく（局所的）および構造に基づく（遠隔的）空間的依存関係を二重のグラフを用いてモデル化し、注目メカニズムを用いて階層的なセンサ領域の重みを動的に割り当てる、動的マルチグラフ畳み込み再帰型ネットワーク（DMGCRN）を提案する。本手法は、統合されたグラフ畳み込みとゲート付き再帰ユニットを用いて、空間時系列的ダイナミクスを効果的に捉えることで、3つの実世界の交通データセットで最先端の手法を上回る性能を達成する。

ABSTRACT

Traffic forecasting is a problem of intelligent transportation systems (ITS) and crucial for individuals and public agencies. Therefore, researches pay great attention to deal with the complex spatio-temporal dependencies of traffic system for accurate forecasting. However, there are two challenges: 1) Most traffic forecasting studies mainly focus on modeling correlations of neighboring sensors and ignore correlations of remote sensors, e.g., business districts with similar spatio-temporal patterns; 2) Prior methods which use static adjacency matrix in graph convolutional networks (GCNs) are not enough to reflect the dynamic spatial dependence in traffic system. Moreover, fine-grained methods which use self-attention to model dynamic correlations of all sensors ignore hierarchical information in road networks and have quadratic computational complexity. In this paper, we propose a novel dynamic multi-graph convolution recurrent network (DMGCRN) to tackle above issues, which can model the spatial correlations of distance, the spatial correlations of structure, and the temporal correlations simultaneously. We not only use the distance-based graph to capture spatial information from nodes are close in distance but also construct a novel latent graph which encoded the structure correlations among roads to capture spatial information from nodes are similar in structure. Furthermore, we divide the neighbors of each sensor into coarse-grained regions, and dynamically assign different weights to each region at different times. Meanwhile, we integrate the dynamic multi-graph convolution network into the gated recurrent unit (GRU) to capture temporal dependence. Extensive experiments on three real-world traffic datasets demonstrate that our proposed algorithm outperforms state-of-the-art baselines.

研究の動機と目的

• 近接センサを越えた長距離空間相関を捉えることのできない従来の交通予測モデルの限界に対処すること。
• 従来のグラフ畳み込みネットワークにおける静的空間的依存関係の仮定を克服し、動的空間的関係をモデル化すること。
• 全自己注意よりも効率的かつ正確に、近隣のグループ化と動的注目重み付けを用いることで、効率性と正確性を向上させること。
• 動的マルチグラフ畳み込みとゲート付き再帰ユニットを統合し、空間時系列的依存関係を統合的にモデル化すること。

提案手法

• 物理的に近接したセンサ間の空間的相関をモデル化する距離に基づくグラフを構築する。
• 時空間パターンから学習される潜在的グラフを導入し、機能的役割が類似した遠く離れたセンサ間の構造的類似性を捉える。
• 相対的な空間的関係に基づき、各センサの近隣を4つの粗い粒度の領域に分割することで階層的モデリングを可能にする。
• 学習可能なマスク行列を用いた動的グラフ畳み込みを適用し、時間的に変化する注目重みを異なる領域に割り当て、進化する空間的依存関係を捉える。
• 動的マルチグラフ畳み込みモジュールをゲート付き再帰ユニット（GRU）に統合し、時系列的ダイナミクスをモデル化する。
• 両方のグラフ（距離グラフと潜在的グラフ）からの表現を統合するためのファージョンモジュールを用いる。

実験結果

リサーチクエスチョン

• RQ1 局所的および遠隔的空間的相関を同時にモデル化することで、交通予測の正確性が向上するか？
• RQ2 静的隣接行列にとどまらない、交通ネットワークにおける動的空間的依存関係を効果的に捉える方法は何か？
• RQ3 計算コストを低く抑えつつ、階層的領域ベースの注目が、グローバル自己注意を上回る性能を発揮するか？
• RQ4 動的マルチグラフ畳み込みと再帰ユニットを統合することで、空間時系列的予測性能がどの程度向上するか？

主な発見

• DMGCRNは、実世界の交通予測ベンチマーク3つ（METR-LA、PEMS03、PEMS05）で最先端の性能を達成した。
• アブレーションスタディの結果、ベースラインに比べて潜在的グラフを追加することで性能が著しく向上し、遠隔空間的相関のモデル化の価値が裏付けられた。
• 固定集約（例：最大値や平均値）よりも動的注目重み付けによる領域重み付けが優れていることから、時間的に変化する空間的注目が重要であることが示された。
• 学習可能なマスク行列を備えたモデルがさらに性能を向上させたことから、近隣領域の適応的重み付けが有効であることが確認された。
• 可視化の結果、潜在的グラフが機能的に類似したセンサ（例：類似した役割を持つ交差点）を捉えており、平日と週末で注目重みが有意義に変化していることが確認された。