[論文レビュー] DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting

Binqing Wu, Ling Chen|arXiv (Cornell University)|Jul 2, 2023

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、FFTに基づく注目メカニズムと動的クロスグラフ構築モジュールを用いて、時間変動する空間的・時系列的依存関係を共同でモデル化する動的空間時系列クロスグラフ畳み込みネットワーク（DSTCGCN）を提案する。静的事前知識に依存せずに、適応的でスパースかつ有向なクロス依存関係を学習することで、6つの実世界データセットで最先端の性能を達成した。

ABSTRACT

Traffic forecasting is essential to intelligent transportation systems, which is challenging due to the complicated spatial and temporal dependencies within a road network. Existing works usually learn spatial and temporal dependencies separately, ignoring the dependencies crossing spatial and temporal dimensions. In this paper, we propose DSTCGCN, a dynamic spatial-temporal cross graph convolution network to learn dynamic spatial and temporal dependencies jointly via graphs for traffic forecasting. Specifically, we introduce a fast Fourier transform (FFT) based attentive selector to choose relevant time steps for each time step based on time-varying traffic data. Given the selected time steps, we introduce a dynamic cross graph construction module, consisting of the spatial graph construction, temporal connection graph construction, and fusion modules, to learn dynamic spatial-temporal cross dependencies without pre-defined priors. Extensive experiments on six real-world datasets demonstrate that DSTCGCN achieves the state-of-the-art performance.

研究の動機と目的

• 交通ネットワークにおける動的で時間変動する空間時系列クロス依存関係をモデル化する際、従来のSTGNNの限界に対処すること。
• 空間的・時系列的関係の進化を捉えられない静的グラフ（例：距離または類似度行列）に依存する問題を克服すること。
• 学習可能なスパースかつ有向なグラフ統合メカニズムを用いて、動的空間的および時系列的依存関係を同時にモデル化する手法の開発。
• 注目メカニズムによる関連時間ステップの選択により、計算複雑性を低減しつつ高い予測精度を維持すること。
• 多様な実世界データセットにおいて、動的クロス依存関係の有効性が交通予測性能の向上に寄与することを実証すること。

提案手法

• FFTベースの注目選択器は、時間変動する交通データに基づき、各時間ステップに対して最も関連性の高い歴史的時間ステップを動的に特定し、時系列の近隣数と計算負荷を削減する。
• 動的クロスグラフ構築モジュールは、時系列的空間グラフと時系列接続グラフを有向かつスパースな方法で統合し、クロス依存関係をモデル化する。
• 空間グラフはセンサー間の学習された動的相関に基づき構築され、固定距離を超える非幾何的で隠れた空間的関係を捉える。
• 時系列接続グラフは時間ステップ間の時間変動する依存関係をモデル化し、FFTを用いて注目重みを計算することで、関連性の高い歴史的期間を優先する。
• 統合モジュールは、動的かつクロス次元の依存関係を保持する学習可能なスパースグラフ畳み込み機構を用いて、空間的および時系列的コンポーネントを統合する。
• モデルは、静的事前知識を一切使用しないで、交通量および速度予測タスクにおける標準的な回帰損失を用いてエンドツーエンドで訓練される。

Figure 1: Architecture of DSTCGCN. (a) Main calculation process of DSTCGCN using GRU as the backbone. (b) Choosing process of relevant traffic data via the FFT-based attentive selector with the selected indices $\boldsymbol{I}_{\text{sel}}$ and relevant weights $\boldsymbol{W}_{\text{sel}}$ . (c) Dy

実験結果

リサーチクエスチョン

• RQ1 高速フーリエ変換に基づく注目メカニズムは、交通予測のための動的で関連性の高い時間ステップを効果的に特定できるか？
• RQ2 静的グラフ事前知識に依存せずに、動的クロスグラフ構築モジュールが時間変動する空間時系列依存関係を学習できるか？
• RQ3 動的空間的および時系列的クロス依存関係を同時にモデル化することで、静的または別個の依存関係を用いるモデルと比較して、予測精度が向上するか？
• RQ4 DSTCGCNは大規模交通ネットワークにおいて、計算効率と予測性能のバランスをどのようにとるか？
• RQ5 モデルは距離に基づくグラフに反映されない、隠れた非幾何的空間相関関係を捉えることができるか？

主な発見

• DSTCGCNは6つの実世界交通予測データセットで最先端の性能を達成し、MAEおよびRMSEの両指標で既存の最先端手法を上回った。
• PEMS07では、MAEが20.37を記録し、ASTGCN（24.01）、STSGCN（25.51）、TraverseNet（21.99）を下回ったが、パラメータ数が少ない。
• モデルはパラメータ数が900,858で、PEMS07における1エポックあたりの学習時間が3.83分であり、TraverseNet（6.01分/エポック）およびSTSGCN（5.52分/エポック）よりも顕著に効率的だった。
• METR-LAにおける事例研究では、学習された動的空間行列が幾何的および隠れた空間的相関関係を捉えており、時間経過に伴い依存関係が変化していることが示された。
• FFTベースの注目メカニズムは、関連性の高い時間ステップ（例：1期間における時間ステップ3、11、4）を的確に特定でき、動的時系列依存関係のモデル化に成功した。
• 動的クロスグラフ構築モジュールは、スパース性を維持し、時間的・空間的全域にわたる完全接続を回避することで、過学習のリスクを低減した。

Figure 2: FFT-based attentive selector with temporal normalization.