[論文レビュー] Graph Markov Network for Traffic Forecasting with Missing Data

Zhiyong Cui, Longfei Lin+2 more|arXiv (Cornell University)|Dec 10, 2019

Traffic Prediction and Management Techniques参考文献 35被引用数 7

ひとこと要約

本稿では、欠損データを伴う交通予測に対処するために、交通状態の遷移をグラフ・マルコフ過程としてモデル化する新しい深層学習フレームワーク、Graph Markov Network (GMN) と Spectral Graph Markov Network (SGMN) を提案する。空間的・時系列的依存関係をグラフ構造とスペクトル畳み込みを用いて捉えることで、最大20%の欠損率を示す実世界のデータセットにおいて、最先端の精度と効率性を達成した。

ABSTRACT

Traffic forecasting is a classical task for traffic management and it plays an important role in intelligent transportation systems. However, since traffic data are mostly collected by traffic sensors or probe vehicles, sensor failures and the lack of probe vehicles will inevitably result in missing values in the collected raw data for some specific links in the traffic network. Although missing values can be imputed, existing data imputation methods normally need long-term historical traffic state data. As for short-term traffic forecasting, especially under edge computing and online prediction scenarios, traffic forecasting models with the capability of handling missing values are needed. In this study, we consider the traffic network as a graph and define the transition between network-wide traffic states at consecutive time steps as a graph Markov process. In this way, missing traffic states can be inferred step by step and the spatial-temporal relationships among the roadway links can be Incorporated. Based on the graph Markov process, we propose a new neural network architecture for spatial-temporal data forecasting, i.e. the graph Markov network (GMN). By incorporating the spectral graph convolution operation, we also propose a spectral graph Markov network (SGMN). The proposed models are compared with baseline models and tested on three real-world traffic state datasets with various missing rates. Experimental results show that the proposed GMN and SGMN can achieve superior prediction performance in terms of both accuracy and efficiency. Besides, the proposed models' parameters, weights, and predicted results are comprehensively analyzed and visualized.

研究の動機と目的

• センサーやプローブ車両のギャップによる障害によって生じるリアルタイム予測における交通データの欠損問題に対処すること。
• 既存のモデルが交通を多次元時系列として扱い、空間的ネットワーク構造を無視するという限界を克服すること。
• 空間的・時系列的依存関係と欠損データ処理を内蔵するニューラルネットワークアーキテクチャを開発すること。
• 交通ネットワーク内のリンク間での交通状態遷移をモデル化するためのグラフ・マルコフ過程を提案すること。
• さまざまな欠損データ率を想定した実世界のデータセットにおいて、精度と効率性の両面で優れた性能を示すことを実証すること。

提案手法

• 道路リンク間のトポロジカル関係を用いて交通ネットワークをグラフとしてモデル化する。
• 連続する時系列ステップ間の交通状態遷移を、マルコフ性と局所化特性を活用したグラフ・マルコフ過程として定義する。
• グラフ・マルコフ過程に基づき、欠損値を伴う交通状態を予測するためのGraph Markov Network (GMN) を設計する。
• GMNにスペクトルグラフ畳み込みを組み込み、特徴抽出を向上させるためのSpectral Graph Markov Network (SGMN) を開発する。
• 隣接行列と学習可能な重み行列を用いて空間的影響をモデル化し、重み行列の可視化を通じてノードレベルの影響を分析する。
• ランダムな欠損データ状況下で、3つの実世界データセット（PEMS-BAY、METR-LA、INRIX-SEA）に対してモデルを訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 交通状態遷移をグラフ・マルコフ過程としてモデル化することで、交通予測における欠損データを効果的に処理できるか？
• RQ2 提案されたGMNアーキテクチャは、欠損データ下での予測精度と効率性において、既存のRNNベースのモデルと比較してどのように優れているか？
• RQ3 道路リンク間の空間的関係は、欠損値が存在する状況下で予測性能をどの程度向上させるか？
• RQ4 SGMNにおけるスペクトルグラフ畳み込みの統合は、特徴表現と予測精度をどの程度向上させるか？
• RQ5 モデルの重みから明らかになる個々のセンサーの空間的影響パターンはどのようなものか？

主な発見

• 提案されたGMNおよびSGMNモデルは、欠損データを伴う3つの実世界データセットにおいて、ベースラインモデルと比較して精度と効率性の両面で優れた予測性能を達成した。
• INRIX-SEAデータセットにおいてSGMNがGMNを上回ったことから、複雑な交通ネットワークではスペクトルグラフ畳み込みの有効性が示された。
• 20%の欠損データ率でさえも、モデルは強力な性能を維持しており、データ劣化に対して高い耐性を示した。
• 重み行列の可視化から、交通状態は特に交差点付近で隣接リンクに強く影響を受けることが明らかになった。
• 重み解析による上位20の影響力のあるセンサー位置は、ほとんどが交差点付近に集中しており、影響の空間的クラスタリングが確認された。
• 予測残差と可視化結果から、GMN-10およびSGMN-10は、特に平日において真値の速度値を非常に良く追跡しており、最小限のずれを示した。