[論文レビュー] Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting

Weiqi Chen, Ling Chen+4 more|arXiv (Cornell University)|Nov 27, 2019

Traffic Prediction and Management Techniques参考文献 26被引用数 15

ひとこと要約

本稿では、交通予測のための新しいGCNベースのモデルであるMulti-Range Attentive Bicomponent Graph Convolutional Network (MRA-BGCN) を提案する。このモデルは、二成分グラフ畳み込みと多範囲アテンションメカニズムを用いて、異なる近隣範囲における空間相関を捉えることで、ノード単位およびエッジ単位の依存関係を統合的にモデル化する。METR-LA および PEMS-BAY で評価された結果、MRA-BGCN は交通予測精度において最先端の性能を達成した。

ABSTRACT

Traffic forecasting is of great importance to transportation management and public safety, and very challenging due to the complicated spatial-temporal dependency and essential uncertainty brought about by the road network and traffic conditions. Latest studies mainly focus on modeling the spatial dependency by utilizing graph convolutional networks (GCNs) throughout a fixed weighted graph. However, edges, i.e., the correlations between pair-wise nodes, are much more complicated and interact with each other. In this paper, we propose the Multi-Range Attentive Bicomponent GCN (MRA-BGCN), a novel deep learning model for traffic forecasting. We first build the node-wise graph according to the road network distance and the edge-wise graph according to various edge interaction patterns. Then, we implement the interactions of both nodes and edges using bicomponent graph convolution. The multi-range attention mechanism is introduced to aggregate information in different neighborhood ranges and automatically learn the importance of different ranges. Extensive experiments on two real-world road network traffic datasets, METR-LA and PEMS-BAY, show that our MRA-BGCN achieves the state-of-the-art results.

研究の動機と目的

• 交通予測における複雑な空間時系列的依存関係をモデル化する課題に対処すること。
• 固定重みのGCNよりも、道路ネットワーク内のノード単位およびエッジ単位の相互作用をより効果的に捉えること。
• 異なる近隣範囲におけるアテンションを学習することで、マルチスケールの空間的依存関係をモデル化すること。
• 二成分グラフ畳み込み機構を用いて異種の空間相関パターンを統合することで、予測精度を向上させること。
• 実世界の交通予測ベンチマークで最先端の性能を達成すること。

提案手法

• 交通センサー間の物理的距離に基づいてノード単位のグラフを構築し、空間的近接性を表現する。
• 交通量の相関や混雑の伝播といった、道路セグメント間の相互作用パターンを捉えるエッジ単位のグラフを構築する。
• メッセージパッシングを通じて、ノード特徴量とエッジ特徴量の両方の表現を同時にモデル化・更新する二成分グラフ畳み込みを適用する。
• 複数の近隣範囲からの特徴量に適応的に重みを割り当てることで、長距離依存関係のモデル化を強化する多範囲アテンションメカニズムを導入する。
• 多範囲アテンション特徴量を組み合わせるゲート機構を用い、関連する空間的文脈の動的選択を可能にする。
• 将来の交通速度または交通量を予測するために、空間時系列損失関数を用いてエンドツーエンドのモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 固定で事前に定義されたグラフ構造を超えて、交通ネットワーク内の空間的依存関係をどのようにモデル化できるか？
• RQ2 ノードのみのモデル化に比べて、エッジ単位の相互作用パターンは交通予測にどの程度向上効果をもたらすか？
• RQ3 多範囲アテンションメカニズムは、同時に短距離および長距離の空間的依存関係を効果的に捉えることができるか？
• RQ4 二成分グラフ畳み込み機構は、標準的なGCNと比較して特徴量表現学習をどのように向上させるか？
• RQ5 提案されたMRA-BGCNモデルは、実世界の交通予測ベンチマークで優れた性能を達成するか？

主な発見

• METR-LA データセットにおいて、MRA-BGCN はMAEおよびRMSEの両指標で、以前の手法を上回る最先端の性能を達成した。
• PEMS-BAY データセットにおいても、MRA-BGCN は比較対象のすべてのモデルの中で最低のMAEおよびRMSEを記録し、一貫した優位性を示した。
• アブレーションスタディの結果、多範囲アテンションおよび二成分グラフ畳み込みの両コンponentsが性能向上に顕著に寄与していることが確認された。
• 短時間、中時間、長時間予測のすべての時間スケールにおいて、モデルは一貫した予測精度の向上を示し、頑健性を示した。
• モデルが学習したアテンション重みは、主要な高速道路に沿った混雑の伝播といった意味のある空間的パターンを明確に示している。
• エッジ単位のグラフ構築は、物理的近接性を超えた非自明な交通相互作用パターンを捉えており、一般化性能の向上に寄与している。