[論文レビュー] Modeling Spatial-Temporal Dynamics for Traffic Prediction.

Huaxiu Yao, Xianfeng Tang+4 more|arXiv (Cornell University)|Mar 3, 2018

Traffic Prediction and Management Techniques参考文献 22被引用数 95

ひとこと要約

本稿では、流量ゲーティング機構と定期的シフト付きアテンションを用いて、交通データ内の非厳密周期的パターンを捉えるために、動的空間的依存関係をモデル化する空間時系列動的ネットワーク（STDN）を提案する。実世界のデータセット上で評価された結果、STDNは、進化する空間的関係と時系列シフトを効果的にモデル化することで、最新の手法を上回る交通予測精度を達成した。

ABSTRACT

Spatial-temporal prediction has many applications such as climate forecasting and urban planning. In particular, traffic prediction has drawn increasing attention in data mining research field for the growing traffic related datasets and for its impacts in real-world applications. For example, an accurate taxi demand prediction can assist taxi companies to pre-allocate taxis to meet with commuting demands. The key challenge of traffic prediction lies in how to model the complex spatial and temporal dependencies. In this paper, we make two important observations which have not been considered by previous studies: (1) the spatial dependency between locations are dynamic; and (2) the temporal dependency follows strong periodicity but is not strictly periodic for its dynamic temporal shifting. Based on these two observations, we propose a novel Spatial-Temporal Dynamic Network (STDN) framework. In this framework, we propose a flow gating mechanism to learn the dynamic similarity between locations via traffic flow. A periodically shifted attention mechanism is designed to handle long-term periodic dependency and periodic temporal shifting. Furthermore, we extend our framework from region-based traffic prediction to traffic prediction for road intersections by using graph convolutional structure. We conduct extensive experiments on several large-scale real traffic datasets and demonstrate the effectiveness of our approach over state-of-the-art methods.

研究の動機と目的

• 従来の交通予測モデルが静的空間的依存関係と厳密な周期的時系列パターンを仮定しているという限界を解消すること。
• 交通流量に基づく類似度学習を用いて、交通地点間の空間的関係の動的性質をモデル化すること。
• 固定周期から逸脱する動的時系列シフトを考慮しつつ、周期性を有する長期的時系列依存関係を捉えること。
• グラフ畳み込みネットワークを用いて、交差点レベルの交通予測を可能とするフレームワークの拡張。
• 最新のアプローチと比較して、大規模な実世界交通データセットにおける予測精度の向上。

提案手法

• リアルタイム交通流量データに基づいて、地点間の動的空間的類似度を学習する流量ゲーティング機構を提案する。
• 強い周期性を示すが、位相シフトが変動する時系列依存関係をモデル化するための定期的シフト付きアテンション機構を導入する。
• 道路ネットワークを表現し、領域ベースおよび交差点レベルの交通予測を可能にするために、グラフ畳み込みネットワークを活用する。
• 流量ゲーティングとシフト付きアテンションモジュールを統合した統一された深層学習フレームワークを構築し、エンドツーエンドの空間時系列モデリングを実現する。
• 可学習なシフトパラメータを備えたマルチヘッドアテンション機構を用い、異なる周期にわたる時系列パターンを適応的にモデル化する。
• 時系列から時系列への予測目的に基づき、大規模交通データセット上でSTDN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 交通予測において、交通地点間の空間的依存関係を静的ではなく動的としてどのようにモデル化できるか？
• RQ2 位相シフトが変動する非厳密周期的時系列依存関係——つまり動的位相シフトを有するもの——は、交通予測においてどの程度効果的に捉えることができるか？
• RQ3 動的空間的要因とシフト付き時系列モデリングを統合した統一された深層学習フレームワークは、既存手法と比較して予測精度を向上させることができるか？
• RQ4 提案されたフレームワークは、領域レベルおよび交差点レベルの予測といった、さまざまな交通予測タスクにどのように一般化できるか？
• RQ5 動的空間モデリングと周期的時系列シフト処理の両者が、全体の予測性能向上に果たす相対的寄与度はどの程度か？

主な発見

• 提案されたSTDNフレームワークは、最新の手法と比較して、複数の大規模実世界交通データセットで優れた性能を達成した。
• 流量ゲーティング機構は、進化する空間的関係を効果的に捉えており、固定空間的依存関係を仮定するモデルと比較して、予測精度が向上した。
• 定期的シフト付きアテンション機構は、位相シフトが変動する長期的時系列パターンのモデリングを顕著に向上させた。
• グラフ畳み込みネットワークの統合により、交差点レベルでの予測が効果的に行えるようになり、領域ベースの予測からさらに拡張された。
• アブレーションスタディの結果、動的空間モデリングと時系列シフト処理の両方が、全体の性能向上に有意義に寄与していることが確認された。
• モデルは、多様な都市交通シナリオおよび異なるデータスケールにわたり、頑健性と一般化能力を示した。