[論文レビュー] Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting

Song Yang, Jiamou Liu+1 more|arXiv (Cornell University)|Sep 11, 2021

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本稿では、固定時間窓内の近隣センサーを組み合わせて局所的空間時間的文脈をモデル化することにより、交通フローにおける普遍的な空間時間相関を捉えるための局所的空間時間ニューラルネットワーク（STNN）を提案する。空間時間畳み込みおよび注意メカニズムの新規な組み合わせを用いる。本モデルは、最先端手法よりも4%高い予測精度を達成し、構造的再トレーニングを必要とせずに未学習の道路ネットワークにも一般化可能である。

ABSTRACT

Traffic flow forecasting is a crucial task in urban computing. The challenge arises as traffic flows often exhibit intrinsic and latent spatio-temporal correlations that cannot be identified by extracting the spatial and temporal patterns of traffic data separately. We argue that such correlations are universal and play a pivotal role in traffic flow. We put forward {spacetime interval learning} as a paradigm to explicitly capture these correlations through a unified analysis of both spatial and temporal features. Unlike the state-of-the-art methods, which are restricted to a particular road network, we model the universal spatio-temporal correlations that are transferable from cities to cities. To this end, we propose a new spacetime interval learning framework that constructs a local-spacetime context of a traffic sensor comprising the data from its neighbors within close time points. Based on this idea, we introduce local spacetime neural network (STNN), which employs novel spacetime convolution and attention mechanism to learn the universal spatio-temporal correlations. The proposed STNN captures local traffic patterns, which does not depend on a specific network structure. As a result, a trained STNN model can be applied on any unseen traffic networks. We evaluate the proposed STNN on two public real-world traffic datasets and a simulated dataset on dynamic networks. The experiment results show that STNN not only improves prediction accuracy by 4% over state-of-the-art methods, but is also effective in handling the case when the traffic network undergoes dynamic changes as well as the superior generalization capability.

研究の動機と目的

• 特定の道路ネットワークトポロジーに制限される既存のGNNベースの交通予測モデルの限界を克服すること。
• ネットワーク構造に依存しない、交通フローの内蔵的で普遍的な空間時間相関を捉えること。
• グローバルなグラフ畳み込みや固定されたネットワークトポロジーに依存しない、スケーラブルで一般化可能なモデルの開発。
• グローバルな依存関係ではなく局所的空間時間的文脈をモデル化することで、動的道路上ネットワークにおける効果的な予測を可能にすること。
• 空間的および時間的交通イベント間の時間的に変化する相関を明示的に学習することで、予測精度の向上。

提案手法

• 空間的および時間的次元を統合的な空間時間多様体として融合する空間時間インターバル学習パラダイムを提案する。
• 受容 field に類似した、固定時間窓内の近隣センサーを用いて各ターゲットセンサーの局所的空間時間的文脈を構築する。
• 1次元畳み込みを両次元で用いて、空間的近接性と時間的ステップの両方を同時に処理する空間時間畳み込みブロックを設計する。
• 空間的および時間的範囲で影響力のある過去の出来事に動的に重みを付与する空間時間注意メカニズムを導入し、予測に寄与する重要な交通出来事を強調する。
• 空間的および時間的モデリングを分離することで、空間的近接性と時間的系列学習のための別々の畳み込み層を適用する。
• 計算複雑度が全ネットワークサイズに依存せず、局所的空間時間的文脈サイズにのみ依存するようにすることで、モデルのスケーラビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 空間的および時間的モデリングを別々に行うのではなく、統合的な空間時間表現を用いることで、交通フローの空間時間的相関を効果的に捉えることができるか？
• RQ2 1つの都市で学習したモデルが、再トレーニングやアーキテクチャ変更なしに、未学習の道路ネットワークへどの程度一般化できるか？
• RQ3 グローバルなグラフベースの手法と比較して、局所的空間時間的文脈をモデル化することで、予測精度がどの程度向上するか？
• RQ4 提案された空間時間注意メカニズムは、時間的および空間的に関連のある交通出来事を特定し、優先順位をつけることができるか？
• RQ5 道路接続性の変化やセンサーの利用可能性の変動といった動的ネットワーク条件下でも、モデルの性能はどの程度維持されるか？

主な発見

• 提案されたSTNNは、2つの実世界データセット（METR-LA および PeMS-Bay）において、最先端手法よりも4%高い予測精度を達成した。
• 再トレーニングやアーキテクチャ変更なしに、未学習の道路ネットワークへの直接適用が可能であり、優れた一般化性能を示した。
• アブレーションスタディの結果、空間時間注意および空間時間畳み込みブロックが最も重要なコンポーネントであることが確認され、後者が性能向上の主な貢献を示した。
• モデルは、シミュレートされた動的ネットワークでも高い性能を維持しており、道路トポロジーの変化に対して強い耐性を示した。
• STNNの計算複雑度は、全ネットワークサイズに依存せず、局所的空間時間的文脈サイズにのみ依存するため、非常にスケーラブルである。
• モデルのトレーニング可能なパラメータ数（308,786）は、STGCN（454,358）およびMTGCN（405,452）よりも少ないため、よりパラメータ効率の良い設計であることが示された。