[論文レビュー] Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network

Xiaoyu Wang, Cailian Chen+4 more|arXiv (Cornell University)|Nov 2, 2018

Traffic Prediction and Management Techniques参考文献 15被引用数 38

ひとこと要約

本稿では、空間的・時間的伝播パターンを捉えるためにリンクネットワークを用いる新しいフレームワーク、グラフ再帰ニューラルネットワーク（GRNN）を提案する。再帰的伝播によりグローバルなグラフ情報を活用することで、計算複雑性をO(nm)からO(n+m)に低減し、実世界の上海タクシーデータにおいて既存手法を上回る高い精度の交通予測を達成する。

ABSTRACT

Traffic prediction is a fundamental and vital task in Intelligence Transportation System (ITS), but it is very challenging to get high accuracy while containing low computational complexity due to the spatiotemporal characteristics of traffic flow, especially under the metropolitan circumstances. In this work, a new topological framework, called Linkage Network, is proposed to model the road networks and present the propagation patterns of traffic flow. Based on the Linkage Network model, a novel online predictor, named Graph Recurrent Neural Network (GRNN), is designed to learn the propagation patterns in the graph. It could simultaneously predict traffic flow for all road segments based on the information gathered from the whole graph, which thus reduces the computational complexity significantly from O(nm) to O(n+m), while keeping the high accuracy. Moreover, it can also predict the variations of traffic trends. Experiments based on real-world data demonstrate that the proposed method outperforms the existing prediction methods.

研究の動機と目的

• 高い計算複雑性を伴う都市交通予測の課題に取り組みながらも、高い精度を維持すること。
• 従来の手法が道路網におけるグローバルな空間的・時間的依存関係を無視するという限界を克服すること。
• 標準的な時系列やグリッドベースのアプローチでは十分にモデル化されない非一様で伝播に基づく交通変動パターンを捉えること。
• 全ネットワーク構造を同時に学習できるスケーラブルでグローバルに同期された予測モデルを設計すること。

提案手法

• 交通フローの伝播パターンを符号化するリンクエッジを導入することで、従来のエッジに代わる新しいトポロジカル構造「リンクネットワーク」を提案する。
• リンクネットワークに沿って隠れ状態を伝播させるグラフベースの再帰ニューラルネットワークであるGRNNを設計し、実際の交通フローのダイナミクスを模倣する。
• 歴史的交通状態から将来の状態へのグローバルマップとして予測タスクを定式化することで、すべての道路セグメントを同時に予測可能にする。
• 計算効率を保証するGRNNの学習アルゴリズムを導出し、理論的証明により複雑性がO(nm)ではなくO(n + m)であることを示す。
• GRNNに伝播モジュールを設け、連結された道路セグメント間での交通の広がり方を模倣することで、空間的および時間的依存関係を捉える。
• 上海の実際のタクシー軌跡データを用いてGRNNをエンドツーエンドで学習し、MSEおよびVD（変動遅延）指標を最適化する。

実験結果

リサーチクエスチョン

• RQ1 空間的伝播パターンを明示的に捉えるグラフ構造モデルは、都市部の交通予測精度を向上させることができるか？
• RQ2 従来の局所的予測手法と比較して、グローバル交通予測モデルの計算複雑性はネットワークサイズにどのように依存するか？
• RQ3 GRNNは、交通の急激な傾向変化（例：混雑ピーク）を、ベースラインモデルと比較してどれほど正確かつ迅速に追跡できるか？
• RQ4 再定義されたネットワークトポロジーを通じてグローバルなグラフレベルの情報を統合することで、局所的またはグリッドベースのモデルよりも優れた一般化性能が得られるか？

主な発見

• GRNNは、GBDT、SVR、ARIMAを含む5つのベースライン手法と比較して、実世界の上海タクシーデータにおいて顕著に低い予測誤差（MSE）を達成する。
• GRNNは交通ピークを最小限の位相遅れで予測しており、特に位相遅れが顕著に見られるGBDTと比較して優れた性能を示す（VDスコアが低い）。
• 異なるグラフサイズ（n = 1, 10, 156）においても実行時間がほぼ一定（約180秒）を保つことから、O(n + m)の複雑性が裏付けられ、理論的な計算効率の向上が検証された。
• サブグラフスケールが大きくなるほど予測精度が向上することから、GRNNがグラフ構造から伝播パターンを効果的に学習・活用できていることが示された。
• n = 156での精度の低下は、過剰なサブグラフ情報によるオーバーフィッティングまたはノイズの影響によるものであり、モデル容量とデータ品質のバランスを慎重にとる必要があると示唆された。
• グローバルかつ同期的な予測メカニズムのおかげで、GRNNは突然の混雑発生などの動的交通トレンドを優れた能力で追跡できる。