[論文レビュー] Dynamic Spatio-temporal Graph-based CNNs for Traffic Prediction

Ken Chen, Fei Chen+9 more|arXiv (Cornell University)|Dec 5, 2018

Traffic Prediction and Management Techniques参考文献 28被引用数 29

ひとこと要約

本稿では、要因分解されたグラフ畳み込みを用いて計算を削減し並列処理を可能にする、動的交通グラフ構造と空間時間的流れの両方を共同でモデル化する二重ストリームフレームワークである動的空間時間的グラフベースCNN（DST-GCNN）を提案する。この手法は、静的グラフモデルに比べて進化する交通依存関係を捉え、予測精度を向上させることで、METR-LA、TaxiBJ、CD-HWのデータセットで最先端の性能を達成した。

ABSTRACT

Forecasting future traffic flows from previous ones is a challenging problem because of their complex and dynamic nature of spatio-temporal structures. Most existing graph-based CNNs attempt to capture the static relations while largely neglecting the dynamics underlying sequential data. In this paper, we present dynamic spatio-temporal graph-based CNNs (DST-GCNNs) by learning expressive features to represent spatio-temporal structures and predict future traffic flows from surveillance video data. In particular, DST-GCNN is a two stream network. In the flow prediction stream, we present a novel graph-based spatio-temporal convolutional layer to extract features from a graph representation of traffic flows. Then several such layers are stacked together to predict future flows over time. Meanwhile, the relations between traffic flows in the graph are often time variant as the traffic condition changes over time. To capture the graph dynamics, we use the graph prediction stream to predict the dynamic graph structures, and the predicted structures are fed into the flow prediction stream. Experiments on real datasets demonstrate that the proposed model achieves competitive performances compared with the other state-of-the-art methods.

研究の動機と目的

• 既存のグラフベースCNNにおける静的グラフ構造の制限を解決すること。特に、時間に依存する交通依存関係を捉えられない点に起因する。
• 交通フローの空間的相関と時間的ダイナミクスを統合的にモデル化する包括的なディープラーニングフレームワークの開発。
• 動的グラフ学習と空間時間的畳み込み特徴抽出を統合することで、長期交通フローモデルの予測精度を向上させること。
• 監視映像およびタクシー軌跡データを用いた実世界の監視データセットにおいて、提案手法の有効性を検証すること。

提案手法

• 空間的および時間的次元に沿った畳み込みを要因分解することで、計算量を削減し並列処理を可能にする、新規の空間時間的グラフベース畳み込み層を導入。
• 二重ストリームアーキテクチャを採用：フローパターン予測用のスタックドグラフ畳み込み層と、時間経過に伴うグラフトポロジーを学習するグラフ予測ストリーム。
• 予測された動的グラフ構造をフローパターン予測ストリームの入力として使用することで、変化する交通関係を適応的にモデル化可能にする。
• 長予測ホライズンを二段階の短予測に分解する二段階予測戦略を採用し、安定性と精度の両方を向上。
• 多様な都市交通シナリオをカバーする、実世界の交通監視映像およびタクシー軌跡データを活用してモデルの学習と評価を実施。
• 複数のデータセットおよび予測ホライズンで標準的な指標（MAE、RMSE、MAPE）を用いて定量的評価を実施。

実験結果

リサーチクエスチョン

• RQ1 静的グラフを用いるモデルと比較して、動的グラフ構造と空間時間的フローの両方を共同で学習するディープラーニングモデルは、交通予測精度を向上させることができるか？
• RQ2 グラフ予測ストリームの統合は、時間経過に伴う進化する交通依存関係を捉える能力をどのように向上させるか？
• RQ3 直接的な長予測ホライズン予測と比較して、二段階予測戦略は長期予測性能をどの程度向上させるか？
• RQ4 DST-GCNNは、DCRNN や STGCN などの最先端手法と比較して、異なる実世界のデータセットおよび予測ホライズンで優れた性能を示すか？
• RQ5 ピーク時間帯や混雑の拡散が発生するような状況下でも、モデルは一貫した性能を維持できるか？

主な発見

• METR-LAデータセットでは、DST-GCNNは全予測ホライズンおよび全指標でベースライン手法を上回り、短期および長期予測の両方において一貫した優位性を示した。
• TaxiBJデータセットでは、1ステップ予測においてRMSEが12.62、MAPEが13.27%と最低水準に達し、FC-LSTM、DCRNN、FCCFを上回った。
• CD-HWデータセットでは、30分予測ホライズンでRMSEが10.18と最高性能を記録し、DCRNN（12.10 RMSE）およびSTGCN（11.77 RMSE）を上回った。
• 定性的な分析から、DST-GCNNはDCCNが急激な変化を追跡できないのに対し、朝のピーク時と夕方のピーク時の開始および終了をより正確に捉えていることが判明した。
• 動的グラフ構造の学習により、誤差の伝搬が抑制され、ネットワーク全体における交通トレンドの伝播をより正確にモデル化できるようになった。
• 二段階予測戦略により、長期予測を管理可能な短時間予測に分解することで、精度と安定性の両方が向上した。