[論文レビュー] Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) for Vehicle Condition Prediction

Mingming Lu, Kunfang Zhang+2 more|arXiv (Cornell University)|Mar 12, 2019

Traffic Prediction and Management Techniques参考文献 27被引用数 4

ひとこと要約

本稿では、空間的特徴抽出にグラフ畳み込みネットワーク（GCN）を、時間的モデリングにゲート付き再帰ユニット（GRU）を、階層的レートネットワーク構造を捉えるために学習可能なプーリングを統合する新しいグラフニューラルネットワーク、GHCRNNを提案する。このモデルは計算複雑性とノイズを低減させつつ、深圳およびロサンゼルスのデータセットを用いた検証で、ベースラインと比較して時間的・メモリ的消費を抑え、大規模都市ネットワークにおける車両の流れと速度の予測精度を向上させる。

ABSTRACT

The prediction of urban vehicle flow and speed can greatly facilitate people's travel, and also can provide reasonable advice for the decision-making of relevant government departments. However, due to the spatial, temporal and hierarchy of vehicle flow and many influencing factors such as weather, it is difficult to prediction. Most of the existing research methods are to extract spatial structure information on the road network and extract time series information from the historical data. However, when extracting spatial features, these methods have higher time and space complexity, and incorporate a lot of noise. It is difficult to apply on large graphs, and only considers the influence of surrounding connected road nodes on the central node, ignoring a very important hierarchical relationship, namely, similar information of similar node features and road network structures. In response to these problems, this paper proposes the Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) model. The model uses GCN (Graph Convolutional Networks) to extract spatial feature, GRU (Gated Recurrent Units) to extract temporal feature, and uses the learnable Pooling to extract hierarchical information, eliminate redundant information and reduce complexity. Applying this model to the vehicle flow and speed data of Shenzhen and Los Angeles has been well verified, and the time and memory consumption are effectively reduced under the compared precision.

研究の動機と目的

• 道路ネットワークにおける複雑な空間的・時間的・階層的依存関係の下で、都市部の車両の流れと速度を予測する課題に対処すること。
• 局所的近隣ノード集約を超えて階層的構造学習を組み込むことで、空間的特徴抽出における計算複雑性とノイズを低減すること。
• 道路セグメント間の局所的接続性とグローバルな構造的類似性を両方モデリングすることにより、大規模道路ネットワークにおける予測性能を向上させること。
• 交通状況予測のための統合的ディープラーニングフレームワークとして、空間的・時間的・階層的表現を統合すること。
• 中国・深圳および米国・ロサンゼルスの現実の交通データセットを用いて、モデルの有効性と効率性を検証すること。

提案手法

• モデルは、道路ネットワークのトポロジーから空間的特徴を抽出するためにグラフ畳み込みネットワーク（GCN）を採用し、接続された道路セグメント間の関係を捉える。
• ゲート付き再帰ユニット（GRU）を用いて、時間ステップにわたる歴史的車両の流れと速度データの時間的依存性をモデリングする。
• 学習可能なプーリング機構を導入し、ノード特徴を階層的に集約することで、冗長性を低減し、空間的・時間的複雑性を低下させる。
• 階層的プーリング操作は、構造的および特徴的に類似した道路ノードのグループを特定・保持し、表現学習を強化する。
• GCNとGRUのコンポonentは逐次的にスタックされ、中間部に階層的プーリング層を配置することで、時間モジュールの入力を精錬する。
• 全アーキテクチャは、将来の車両の流れと速度を予測するために平均二乗誤差損失を用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 道路ネットワークにおける階層的構造的関係を効果的にモデリングすることで、交通予測をどのように改善できるか。
• RQ2 学習可能なプーリングは、大規模交通グラフにおける重要な空間的情報を保持しつつ、計算複雑性を低減できるか。
• RQ3 標準的なGCN-RNNモデルと比較して、階層的特徴学習の統合が予測精度を向上させるか。
• RQ4 実世界の交通データにおいて、GHCRNNは既存手法に比べて予測精度と効率性のどの程度優れているか。
• RQ5 モデルは、異なる都市における道路ネットワーク構造や交通パターンの変動に対して、どの程度頑健か。

主な発見

• GHCRNNは、深圳およびロサンゼルスの両データセットにおいて、ベースラインモデルと比較して車両の流れと速度の予測精度がより高い。
• 階層的プーリング機構のおかげで、冗長情報を排除することで、時間的・メモリ的消費が顕著に低減された。
• 階層的特徴学習の統合により、大規模道路ネットワークにおける一般化性能と頑健性が向上した。
• 学習可能なプーリング層は、道路セグメント間の構造的類似性を効果的に捉え、不要な接続からのノイズを低減した。
• 多様な都市環境において優れた性能を示し、スケーラビリティと適応性を検証した。
• 実験的結果から、GHCRNNは精度と効率性の両方の指標において、標準的なGCN-RNNアーキテクチャを上回ることが示された。