[論文レビュー] MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting

Yaobin Xu, Weitang Liu+5 more|arXiv (Cornell University)|Aug 8, 2021

Traffic Prediction and Management Techniques参考文献 41被引用数 7

ひとこと要約

MAF-GNN は、交通速度予測のためのマルチ自己適応時空間フロー・グラフニューラルネットワークを提案する。複雑な空間的依存関係をモデル化するための自己適応隣接行列と、時間的・空間的特徴の伝達を向上させる時空間フロー・モジュールを導入している。METR-LA および PeMS-Bay データセットにおいて最先端の性能を達成している。

ABSTRACT

Traffic forecasting is a core element of intelligent traffic monitoring system. Approaches based on graph neural networks have been widely used in this task to effectively capture spatial and temporal dependencies of road networks. However, these approaches can not effectively define the complicated network topology. Besides, their cascade network structures have limitations in transmitting distinct features in the time and space dimensions. In this paper, we propose a Multi-adaptive Spatiotemporal-flow Graph Neural Network (MAF-GNN) for traffic speed forecasting. MAF-GNN introduces an effective Multi-adaptive Adjacency Matrices Mechanism to capture multiple latent spatial dependencies between traffic nodes. Additionally, we propose Spatiotemporal-flow Modules aiming to further enhance feature propagation in both time and space dimensions. MAF-GNN achieves better performance than other models on two real-world datasets of public traffic network, METR-LA and PeMS-Bay, demonstrating the effectiveness of the proposed approach.

研究の動機と目的

• 道路ネットワークにおける複雑で動的な空間的依存関係を捉えるために、固定または単一の隣接行列に限られる問題を解決すること。
• 段階的構造を持つ GNN における特徴伝達のボトルネックを克服するために、空間的および時間的特徴の双方向的フローを可能にすること。
• 複数の潜在的空間的関係をモデル化し、時間的・空間的特徴伝達を強化することで、交通速度予測の精度を向上させること。
• 空間的トポロジー学習と時空間表現学習を統合的に最適化する統一アーキテクチャの開発

提案手法

• 交通ノード間の多様な潜在的空間的関係を表現するため、複数の動的隣接行列を学習するマルチ自己適応隣接行列機構を導入する。
• 空間的および時間的次元における双方向的特徴伝達を可能にする時空間フロー・モジュールを設計する。これにより、特徴の精錬と表現学習が向上する。
• 時空間フロー・モジュール内でのグラフ畳み込み層を用いて、隣接ノードおよび時間ステップからの特徴を自己適応的に集約する。
• 自己適応隣接行列とフローモジュールを統合した統一 GNN フレームワークに組み込み、空間的および時間的モデリングを同時に最適化する。
• 歴史的な時空間系列に基づいて将来の交通速度を予測するため、標準的な回帰損失を用いてモデルをエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 複数の自己適応的隣接行列は、静的または単一トポロジーのグラフを超えて、道路ネットワークにおける複雑で動的な空間的依存関係を効果的にモデル化できるか？
• RQ2 時空間フロー・モジュールは、交通予測 GNN における特徴伝達および表現学習をどの程度向上させるか？
• RQ3 MAF-GNN は、実世界の交通速度予測ベンチマークにおいて、既存の GNN ベースのモデルと比較して予測精度で優れているか？
• RQ4 提案されたアーキテクチャは、異なる都市交通ネットワークのトポロジーおよびデータ分布に一般化して適応できるか？

主な発見

• MAF-GNN は、既存の最先端モデルと比較して、METR-LA および PeMS-Bay データセットで優れた性能を達成している。
• マルチ自己適応隣接行列機構は、複雑な道路ネットワークトポロジーのモデリングを向上させるために、複数の潜在的空間的関係を効果的に捉えている。
• 時空間フロー・モジュールは、時間的・空間的特徴伝達を顕著に向上させ、より強固で正確な予測を実現している。
• モデルは、異なる実世界の交通ネットワークにおいても強力な一般化能力を示しており、スケーラビリティとロバストネスを示している。