[論文レビュー] Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

Mengzhang Li, Zhanxing Zhu|arXiv (Cornell University)|Dec 15, 2020

Traffic Prediction and Management Techniques参考文献 22被引用数 68

ひとこと要約

STFGNNは、データ駆動の時間グラフを構築し、それを空間グラフと統合した統合フュージョングラフを用いて、ゲート付き膨張畳み込みを利用して長距離パターンを捉え、交通量予測を行うことで隠れた時空依存性を学習します。

ABSTRACT

Spatial-temporal data forecasting of traffic flow is a challenging task because of complicated spatial dependencies and dynamical trends of temporal pattern between different roads. Existing frameworks typically utilize given spatial adjacency graph and sophisticated mechanisms for modeling spatial and temporal correlations. However, limited representations of given spatial graph structure with incomplete adjacent connections may restrict effective spatial-temporal dependencies learning of those models. To overcome those limitations, our paper proposes Spatial-Temporal Fusion Graph Neural Networks (STFGNN) for traffic flow forecasting. SFTGNN could effectively learn hidden spatial-temporal dependencies by a novel fusion operation of various spatial and temporal graphs, which is generated by a data-driven method. Meanwhile, by integrating this fusion graph module and a novel gated convolution module into a unified layer, SFTGNN could handle long sequences. Experimental results on several public traffic datasets demonstrate that our method achieves state-of-the-art performance consistently than other baselines.

研究の動機と目的

• 交通予測において固定空間グラフの使用と分離した空間/時空モデリングの制限を動機づけ、それらに対処する。

提案手法

• 快速-DTWを用いて時系列類似性を捉えるデータ駆動型時間グラフを生成する。
• 空間グラフA_SG、時間グラフA_TG、時間接続性A_TCを統合して空間-時間フュージョングラフ（A_STFG）を形成する。
• A_STFGとゲート付き線形ユニットを用いたグラフ乗算を実行するSTFGNモジュールにより、局所およびグローバルな依存性を学習する。
• 長距離依存性を広げるために大きな時間的膨張を持つGated CNNモジュールを組み込む。
• Huber損失とAdam最適化を用いて学習し、モデルを深めるために複数のSTFGN層を積み重ねる。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型の時間グラフは、与えられた空間隣接グラフを超えて時空依存性の学習を改善できるか。
• RQ2 空間、時間的類似性、および時間接続グラフのフュージョンは、既存手法より予測精度を改善するか。
• RQ3 ゲート付き膨張CNNとSTFGNモジュールは、長距離の時空依存性を効果的に捉えられるか。
• RQ4 複数の実世界交通データセットにおけるSTFGNNの性能は、ベースラインと比べてどうか。

主な発見

• STFGNNは4つの公開データセット（PEMS03、PEMS04、PEMS07、PEMS08）で一貫してベースラインを上回る。
• fast-DTWを介して構築されたデータ駆動型時間グラフ（A_TG）は、与えられた空間グラフには存在しない隠れた時間相関を捉える。
• A_SG、A_TG、A_TCをA_STFGに統合することで、局所的およびグローバルな時空依存性の同時モデリングを可能にする。
• ゲート付き膨張畳み込みは時間受容野を拡張し、長距離依存性の学習を助ける。
• アブレーション研究により、より大きなA_STFGと適切なA_TGの疎性がMAE、MAPE、RMSEを改善し、ゲート付き畳み込みがさらに性能を向上させることが示された。