[論文レビュー] PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting

Yuyol Shin, Yoonjin Yoon|arXiv (Cornell University)|Feb 18, 2022

Traffic Prediction and Management Techniques参考文献 41被引用数 12

ひとこと要約

PGCNは、学習および推論の両過程でオンライン入力データに応じてグラフ構造を段階的に適応させる、空間時系列交通予測フレームワークの新規手法である。トレンド類似度学習を用いて動的隣接行列を構築することで、適応的グラフと拡張因果畳み込み、ゲート付き活性化ユニットを組み合わせ、7つの多様な実世界交通データセットで最先端の性能を達成し、データの不規則性に対しても頑健で一貫性のある一般化性能を示した。

ABSTRACT

The complex spatial-temporal correlations in transportation networks make the traffic forecasting problem challenging. Since transportation system inherently possesses graph structures, many research efforts have been put with graph neural networks. Recently, constructing adaptive graphs to the data has shown promising results over the models relying on a single static graph structure. However, the graph adaptations are applied during the training phases and do not reflect the data used during the testing phases. Such shortcomings can be problematic especially in traffic forecasting since the traffic data often suffer from unexpected changes and irregularities in the time series. In this study, we propose a novel traffic forecasting framework called Progressive Graph Convolutional Network (PGCN). PGCN constructs a set of graphs by progressively adapting to online input data during the training and testing phases. Specifically, we implemented the model to construct progressive adjacency matrices by learning trend similarities among graph nodes. Then, the model is combined with the dilated causal convolution and gated activation unit to extract temporal features. With residual and skip connections, PGCN performs the traffic prediction. When applied to seven real-world traffic datasets of diverse geometric nature, the proposed model achieves state-of-the-art performance with consistency in all datasets. We conclude that the ability of PGCN to progressively adapt to input data enables the model to generalize in different study sites with robustness.

研究の動機と目的

• 動的で不規則なデータパターンを示す交通ネットワークにおける複雑な空間時系列相関をモデル化する課題に対処すること。
• 既存のGNNベースの交通予測モデルで見られる静的または学習時のみの適応的グラフの制限を克服すること。
• 学習および推論の両フェーズで変化する入力データに段階的にグラフ構造を適応させるフレームワークを開発すること。
• 幾何的および時系列的特性が異なる都市交通環境において、モデルの頑健性と一般化性能を向上させること。
• 複数の実世界交通予測ベンチマークで一貫した最先端の性能を達成すること。

提案手法

• PGCNは、時間経過に伴うグラフノード間のトレンド類似度を学習することで、段階的な隣接行列を構築し、学習およびテストの両過程で動的グラフ適応を可能にする。
• モデルは、交通時系列における長距離時系列依存性を効果的に捉えるために拡張因果畳み込みを採用する。
• ゲート付き活性化ユニットを統合することで、複雑な時系列パターンの学習能力を高め、不要な情報を遮断する。
• 残差接続およびスイープ接続を用いて、深層部の学習安定性と勾配の流れを改善する。
• エンドツーエンド微分可能なアーキテクチャ内で、適応的グラフ学習と時系列特徴抽出を統合する。
• オンライン入力データに基づいて反復的に動的グラフ構築が行われ、交通変化にリアルタイムで対応可能である。

実験結果

リサーチクエスチョン

• RQ1 空間幾何が異なる多様な実世界データセットにおいて、交通予測モデルが一貫して最先端の性能を達成できるか？
• RQ2 推論段階での段階的グラフ適応が、予期しない交通の不規則性やデータシフトに対して頑健性を向上させるか？
• RQ3 トレンド類似度に基づく動的グラフ学習は、実世界の交通予測において、静的または学習時のみの適応的グラフ手法と比較してどのように優れているか？
• RQ4 拡張畳み込みとゲートユニットの統合が、空間時系列交通予測における時系列特徴抽出をどの程度向上させるか？
• RQ5 提案フレームワークは、再トレーニングなしで、さまざまな都市交通環境に効果的に一般化できるか？

主な発見

• PGCNは7つの実世界交通予測データセットで一貫して最先端の性能を達成し、すべてのベンチマークで既存手法を上回った。
• 推論段階での段階的グラフ適応のおかげで、データの不規則性や予期しない変化に対しても優れた頑健性を示した。
• トレンド類似度に基づく動的グラフ学習の活用により、交通ネットワーク内の進化する空間的依存関係をよりよく捉えることができた。
• 拡張因果畳み込みとゲートユニットの統合により、時系列特徴表現と予測精度が顕著に向上した。
• 残差接続およびスイープ接続は、特に深層アーキテクチャにおいて、学習の安定性と性能向上に寄与した。
• 異なる都市環境にわたり、効果的な一般化が可能であり、強力な転送可能性と適応性を示した。