[論文レビュー] Revisiting Flow Information for Traffic Prediction

Xian Zhou, Yanyan Shen+1 more|arXiv (Cornell University)|Jun 3, 2019

Traffic Prediction and Management Techniques参考文献 18被引用数 6

ひとこと要約

本稿では、地域間の動的交通フロー相関を明示的にモデル化するため、フローオンリーのグラフ畳み込みとゲート付き再帰ユニット（GRU）を統合した新規な交通予測モデル、FlowConvGRUを提案する。フローベースのグラフを構築し、適応的受容 field を学習することで、非局所的かつ時間変動するフロー動態を捉える。その結果、特にフローバリエーションが著しいピーク時において最先端の性能を達成した。

ABSTRACT

Traffic prediction is a fundamental task in many real applications, which aims to predict the future traffic volume in any region of a city. In essence, traffic volume in a region is the aggregation of traffic flows from/to the region. However, existing traffic prediction methods focus on modeling complex spatiotemporal traffic correlations and seldomly study the influence of the original traffic flows among regions. In this paper, we revisit the traffic flow information and exploit the direct flow correlations among regions towards more accurate traffic prediction. We introduce a novel flow-aware graph convolution to model dynamic flow correlations among regions. We further introduce an integrated Gated Recurrent Unit network to incorporate flow correlations with spatiotemporal modeling. The experimental results on real-world traffic datasets validate the effectiveness of the proposed method, especially on the traffic conditions with a great change on flows.

研究の動機と目的

• 既存の交通予測モデルが地域間の直接的な交通フロー相関を無視するという限界を解決すること。
• 地理的近接性に制約されない動的かつ非局所的なフローコリレーションをモデル化すること。
• 朝・夕のピーク時のような高ボリューム変動状況における予測精度の向上。
• 統一されたディープラーニングアーキテクチャを通じて、フローベースの相関と空間的相関を統合すること。
• フローオンリーのグラフ畳み込みが進化する交通動態を捉える有効性を示すこと。

提案手法

• ノードが地域を表し、エッジ重みが地域間の動的交通フローを表す有向フローグラフを構築する。
• リアルタイムのフローパattersに基づいて、動的かつ地域特異的な受容フィールドを学習するフローオンリーのグラフ畳み込みモジュールを設計する。
• フローベースの畳み込みと標準的な空間畳み込みを統合し、長距離のフローコリレーションと局所的な空間的依存性の両方を捉える。
• Gated Recurrent Unit (GRU) 内の早期統合メカニズムにより、両畳み込みの出力を統合し、時空間的ダイナミクスをモデル化する。
• 複数のFlowConvGRUブロックをスタックして、階層的な時空間特徴を捉える深層アーキテクチャを構築する。
• 融合された時空間表現に基づき、将来の交通量を予測するための最終的な全結合層を用いる。

実験結果

リサーチクエスチョン

• RQ1 地域間の直接的な交通フロー相関をモデル化することで、歴史的ボリュームパターンのみに依存する場合と比較して、交通予測の精度が向上するか？
• RQ2 提案されたフローオンリーのグラフ畳み込みは、非局所的かつ変化する交通フロー相関をどれほど効果的に捉えられるか？
• RQ3 フローコリレーションの統合は、ピーク時のような高交通ボリューム変動期において性能向上をもたらすか？
• RQ4 FlowConvGRUネットワークの深さは、予測性能と一般化性能にどのように影響するか？
• RQ5 Jaccard類似度とEarth Mover’s Distanceを用いて測定したフローダイナミクスは、予測の難易度とどの程度相関するか？

主な発見

• 提案されたFlowConvGRUモデルは、2つの実世界交通データセットにおいて最先端の性能を達成し、全体的およびピーク時予測において既存手法を上回った。
• EMD（Earth Mover’s Distance）> 0.1（TaxiNYC）および> 0.005（TaxiCD）の高フローバリエーションを示すインスタンスにおいて、予測誤差が顕著に低減された。
• 連続する時間間隔におけるフロー接続領域間のJaccard類似度は、ほとんどが0.25未満であり、非常に動的で非定常なフローパターンを示している。
• EMD距離分析から、朝・夕のピーク時における交通フローに大きな時間的変動が生じており、予測が最も困難な状況であることが確認された。
• 最適な性能は3層のFlowConvGRUで達成されており、遠く離れた空間的相関を捉えることと、非接続領域からの過学習を避けることのトレードオフが示された。
• フローオンリーのグラフ畳み込みとGRUの統合により、特徴の相互作用が向上し、特に動的交通状況下での一般化性能が向上した。