[論文レビュー] Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction

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

Traffic Prediction and Management Techniques参考文献 31被引用数 78

ひとこと要約

STDN は動的な空間的類似性のためのフローゲーティング機構と、長期的周期的シフトを伴う周期的シフトアテンション機構を導入し、交通予測を改善します。

ABSTRACT

Traffic prediction has drawn increasing attention in AI research field due to the increasing availability of large-scale traffic data and its importance in the real world. For example, an accurate taxi demand prediction can assist taxi companies in pre-allocating taxis. The key challenge of traffic prediction lies in how to model the complex spatial dependencies and temporal dynamics. Although both factors have been considered in modeling, existing works make strong assumptions about spatial dependence and temporal dynamics, i.e., spatial dependence is stationary in time, and temporal dynamics is strictly periodical. However, in practice, the spatial dependence could be dynamic (i.e., changing from time to time), and the temporal dynamics could have some perturbation from one period to another period. In this paper, we make two important observations: (1) the spatial dependencies between locations are dynamic; and (2) the temporal dependency follows daily and weekly pattern but it is not strictly periodic for its dynamic temporal shifting. To address these two issues, we propose a novel Spatial-Temporal Dynamic Network (STDN), in which a flow gating mechanism is introduced to learn the dynamic similarity between locations, and a periodically shifted attention mechanism is designed to handle long-term periodic temporal shifting. To the best of our knowledge, this is the first work that tackles both issues in a unified framework. Our experimental results on real-world traffic datasets verify the effectiveness of the proposed method.

研究の動機と目的

• 交通データにおいて時間とともに変化する動的な空間的依存性のモデリングを動機づける。
• 長期的な時系列パターンにおける厳密でない日次/週次の周期性と時間的シフトに対処する。
• 空間-時間ダイナミクスと適応型アテンション機構を統合する統一アーキテクチャを提案する。
• 現実世界の大規模データセット（NYC タクシーおよび自転車共有データ）で有効性を示す。

提案手法

• Flow Gating Mechanism (FGM) は交通流データを介して動的な空間的類似性を学習し、空間伝播をゲートベースで調整する。
• 局所的なCNNを用いて空間特徴を抽出し、短期的な時間的ダイナミクスにはLSTMを用いる Local Spatial-Temporal Network (LSTN)。
• Periodically Shifted Attention Mechanism (PSAM) は、日々/週を跨ぐ長期的な周期性を時間的シフトとともに捉える。
• 短期（LSTN）と長期周期表現を共同訓練し、開始と終了の交通量の統一予測へ統合する。
• 共有表現と結合損失を用いた開始/終了量のマルチタスク予測。

実験結果

リサーチクエスチョン

• RQ1 交通予測のために、地域間の動的な空間的類似性を効果的にどのようにモデリングできるか？
• RQ2 時間とともに周期性がシフトする場合、交通時系列の長期的な周期性を捉えることができるか？
• RQ3 開始量と終了量の交通量を共同でモデリングすることは予測性能を改善するか？
• RQ4 フロー基盤の空間ゲーティングと周期的シフトアテンションの組み込みが予測精度に与える影響は何か？

主な発見

データセット	手法	開始 RMSE	開始 MAPE	終了 RMSE	終了 MAPE
NYC-Taxi	STDN	24.10 ± 0.25	16.30% ± 0.23	19.05 ± 0.31	16.25% ± 0.26

• STDN は NYC-Taxi および NYC-Bike データセットで RMSE および MAPE の基準モデルを一貫して上回る。
• Flow gating のみで、静的または特徴ベースのフロー表現より空間依存性のモデリングが向上する。
• 周期的シフトアテンションは長期的な周期性における時間的シフトを効果的に扱い、予測を改善する。
• STDN は ConvLSTM、ST-ResNet、DMVST-Net などの最先端モデルを上回り、動的な空間-時間アプローチを検証している。
• 開始量と終了量を共有表現で共同モデリングする方が、それぞれ別々にモデリングするより性能が高い。