[論文レビュー] Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns

Yuebing Liang, Zhan Zhao+1 more|arXiv (Cornell University)|Sep 17, 2021

Traffic Prediction and Management Techniques参考文献 38被引用数 20

ひとこと要約

本論文は、双方向RNNと学習可能なグラフ構造を用いて、交通データ内の動的空間的依存関係と時間的相関をモデル化する深層学習フレームワークである動的時空間的グラフ畳み込みニューラルネットワーク（DSTGCN）を提案する。2つの実世界の交通速度データセットにおいて、ランダム、時間的相関、空間的相関、および両方の複合的な4つの複雑な欠損パターンに対して、最先端の性能を達成しており、従来の深層学習およびテンソル因子分解手法を上回っている。特に、高い欠損率や複雑な欠損シナリオ下でも優れた性能を示している。

ABSTRACT

Missing data is an inevitable and ubiquitous problem for traffic data collection in intelligent transportation systems. Despite extensive research regarding traffic data imputation, there still exist two limitations to be addressed: first, existing approaches fail to capture the complex spatiotemporal dependencies in traffic data, especially the dynamic spatial dependencies evolving with time; second, prior studies mainly focus on randomly missing patterns while other more complex missing scenarios are less discussed. To fill these research gaps, we propose a novel deep learning framework called Dynamic Spatiotemporal Graph Convolutional Neural Networks (DSTGCN) to impute missing traffic data. The model combines the recurrent architecture with graph-based convolutions to model the spatiotemporal dependencies. Moreover, we introduce a graph structure estimation technique to model the dynamic spatial dependencies from real-time traffic information and road network structure. Extensive experiments based on two public traffic speed datasets are conducted to compare our proposed model with state-of-the-art deep learning approaches in four types of missing patterns. The results show that our proposed model outperforms existing deep learning models in all kinds of missing scenarios and the graph structure estimation technique contributes to the model performance. We further compare our proposed model with a tensor factorization model and find distinct behaviors across different model families under different training schemes and data availability.

研究の動機と目的

• 静的距離ベースのグラフを超えて、時間的に変化する空間的依存関係を捉えることができない既存の交通データ補完手法の限界を解決する。
• 一般的に研究されているランダム欠損にとどまらず、時間的または空間的に相関する欠損データといった複雑な欠損パターンを扱うギャップを埋める。
• 交通ネットワークにおける時間的ダイナミクスと進化する空間的関係を統合的にモデル化する深層学習フレームワークを構築し、補完精度と耐性を向上させる。
• 訓練データの可用性や欠損パターンの変動に応じて、深層学習モデル（例：DSTGCN）とテンソル因子分解の性能を比較する。

提案手法

• 交通時系列における長距離時間的依存関係をモデル化するために、双方向再帰ネットワークを統合する。
• リアルタイムの交通データと道路網トポロジーから空間的関係を動的に推定する、学習可能なグラフ構造推定モジュールを採用する。
• 適応的隣接行列を用いたグラフ畳み込みネットワーク（GCN）を適用し、交通ネットワーク全体における進化する空間的相関を捉える。
• 勾配の流れを保持し、特徴表現学習を強化するため、残差接続を備えたマルチブロックアーキテクチャを採用する。
• 観測済みデータポイントにおける平均二乗誤差損失を用いて、事前に定義された欠損パターンに従ってマスクを適用することで、エンドツーエンドのモデルを訓練する。
• DSTGCNの性能評価を多様なシナリオにわたって行うために、4つの欠損パターン（ランダム欠損（RM）、時間的相関欠損（TCM）、空間的相関欠損（SCM）、両方の欠損（BM））を生成する。

実験結果

リサーチクエスチョン

• RQ1 動的空間的依存関係を学習で推定する深層学習モデルが、複雑な欠損パターン下で静的グラフベースのモデルを上回ることができるか？
• RQ2 DSTGCNは、異なる欠損率と欠損パターンタイプにおいて、最先端の深層学習モデルと比較してどのように性能を発揮するか？
• RQ3 訓練データの可用性が変化する状況下で、深層学習モデルとテンソル因子分解手法の相対的な性能はどの程度か？
• RQ4 グラフ構造推定モジュールと時間的モデリングコンponentが、全体の補完精度にどの程度寄与しているか？

主な発見

• DSTGCNは、ロサンゼルスおよびシエトルの両データセットにおいて、4つの欠損パターン（ランダム、時間的相関、空間的相関、および両方）すべてで優れた補完精度を達成した。
• 特に高い欠損率（例：50％）や複雑な欠損パターン下では、GCN、GCRN、DAEといった既存の深層学習ベースラインを著しく上回った。
• アブレーションスタディの結果、グラフ構造推定モジュールが、非定常的空間的依存関係を捉える上で顕著な貢献をしていることが確認された。
• 高品質な訓練データが利用可能な状況では、DSTGCNのような深層学習モデルがテンソル因子分解手法を上回るが、訓練データが限られた複雑な欠損パターン下では、テンソル因子分解手法の性能が優れている。
• 本モデルは、多様な交通ネットワークトポロジーと欠損データシナリオにわたって、頑健性と一般化性能を示しており、強力な適応性を示している。
• 注視力と動的グラフの可視化により、モデルが実際の道路網構造や交通フローのパターンと整合する意味のある空間的関係を学習していることが明らかになった。