[論文レビュー] Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data

Rui Dai, Shenkun Xu+3 more|arXiv (Cornell University)|Jun 23, 2020

Traffic Prediction and Management Techniques参考文献 23被引用数 13

ひとこと要約

本稿では、オンラインナビゲーションシステムから得られる将来の交通量データを統合することで、交通予測を向上させるハイブリッド時空間グラフ畳み込みネットワーク、H-STGCNを提案する。ドメイン特化型トランスフォーマーを用いて意図された交通量を等価な移動時間に変換し、現実の交通近接性をモデル化するための複合隣接行列を採用することで、H-STGCNは特に非周期的混雑の予測精度を顕著に向上させ、実世界のデータセットにおいて最先端の手法を上回る結果を得た。

ABSTRACT

Traffic forecasting has recently attracted increasing interest due to the popularity of online navigation services, ridesharing and smart city projects. Owing to the non-stationary nature of road traffic, forecasting accuracy is fundamentally limited by the lack of contextual information. To address this issue, we propose the Hybrid Spatio-Temporal Graph Convolutional Network (H-STGCN), which is able to "deduce" future travel time by exploiting the data of upcoming traffic volume. Specifically, we propose an algorithm to acquire the upcoming traffic volume from an online navigation engine. Taking advantage of the piecewise-linear flow-density relationship, a novel transformer structure converts the upcoming volume into its equivalent in travel time. We combine this signal with the commonly-utilized travel-time signal, and then apply graph convolution to capture the spatial dependency. Particularly, we construct a compound adjacency matrix which reflects the innate traffic proximity. We conduct extensive experiments on real-world datasets. The results show that H-STGCN remarkably outperforms state-of-the-art methods in various metrics, especially for the prediction of non-recurring congestion.

研究の動機と目的

• 非定常な交通パターンに対する文脈的情報を欠いたデータ駆動型交通予測モデルの限界を是正すること。
• オンラインナビゲーションエンジンから得られる将来の交通量データを統合することで、特に非周期的混雑の予測精度を向上させること。
• 従来の距離減衰型隣接行列よりも、道路網における空間的依存関係をより現実的にモデル化すること。
• 歴史的移動時間と将来の交通量という異種信号を統合するマルチモーダルなディープラーニングフレームワークの開発すること。

提案手法

• 交通理論における区分線形なフロー密度関係を用いて、ナビゲーションシステムからの意図された交通量を等価な移動時間に変換するドメイン特化型トランスフォーマーを設計した。
• 空間減衰と移動時間の時間的共分散を組み合わせた複合隣接行列を用いたグラフ畳み込みにより、現実の交通近接性を反映する。
• 共有畳み込みによる時系列特徴抽出と、複合隣接行列上のグラフ畳み込みによる空間的依存関係モデリングを統合するハイブリッドアーキテクチャを採用した。
• 実世界の交通データ上でエンドツーエンドに訓練され、予測ごとに100ms未満の低遅延を達成するためのサブネットワーク分割による推論最適化が行われた。
• フローから時間への変換器は、2段階のカスケード構造を有する：1つは普遍的な三角形フローデンシティ形状を捉え、もう1つはセグメント固有の容量とフロー特性をモデル化する。
• 複合隣接行列は、空間減衰項と歴史的移動時間の共分散行列を組み合わせることで構築され、実際の交通伝播パターンをよりよく反映する。

実験結果

リサーチクエスチョン

• RQ1 オンラインナビゲーションシステムから得られる将来の交通量データは、ディープラーニングベースの交通予測モデルの精度を向上させ得るか？
• RQ2 異種の交通量データを、移動時間予測に意味のある信号に効果的に変換する方法は何か？
• RQ3 空間減衰と時間的共分散を両方組み込んだ複合隣接行列は、従来の距離ベースの隣接行列を上回り、交通近接性をより効果的にモデル化できるか？
• RQ4 提案されたH-STGCNモデルは、最先端の手法と比較して、非周期的混雑の予測をどの程度改善するか？
• RQ5 物理的知見（例：フロー密度関係）をデータ駆動型ディープラーニングフレームワークに効果的に統合できるか？

主な発見

• H-STGCNは、複数の指標において最先端の手法を顕著に上回る性能向上を達成しており、特に非周期的混雑の予測において顕著である。
• 理想的な将来の交通量データが提供された場合、H-STGCNは歴史的参照がなくても最大30分先の混雑を予測可能である。
• モデルの推論時間は1回の予測あたり100ms未満であり、道路網をサブネットワークに分割することで、リアルタイムでの導入が可能である。
• 複合隣接行列は、標準的な距離減衰型行列よりも優れた空間モデリングを実現しており、直感的でない交通伝播パターンの捉えにも優れている。
• ドメイントランスフォーマーは、生の交通量を意味のある時間同等の信号に効果的に変換し、混雑が発生する前に対応できるようにモデルを支援した。
• 実世界データセットを用いた実験では、H-STGCNが短期および長期の予測ホライズンにおいてベンチマークを上回っており、特に困難な非周期的混雑のシナリオで顕著な改善が得られた。