[論文レビュー] Spatio-Temporal Dual Graph Neural Networks for Travel Time Estimation

Guangyin Jin, Huan Yan+3 more|arXiv (Cornell University)|May 28, 2021

Traffic Prediction and Management Techniques参考文献 45被引用数 4

ひとこと要約

本稿では、道路区間と交差点をノード単位およびエッジ単位のグラフを用いて統合的にモデル化することで、移動時間推定を向上させる、エンド・ツー・エンドの深層学習フレームワークであるSpatio-Temporal Dual Graph Neural Networks (STDGNN)を提案する。マルチスケールな空間的・時系列的二重グラフ学習とマルチタスク学習を統合することで、3つの実世界データセットにおいて最先端の性能を達成し、従来のベースラインを顕著に上回った。

ABSTRACT

Travel time estimation is one of the core tasks for the development of intelligent transportation systems. Most previous works model the road segments or intersections separately by learning their spatio-temporal characteristics to estimate travel time. However, due to the continuous alternations of the road segments and intersections in a path, the dynamic features are supposed to be coupled and interactive. Therefore, modeling one of them limits further improvement in accuracy of estimating travel time. To address the above problems, a novel graph-based deep learning framework for travel time estimation is proposed in this paper, namely Spatio-Temporal Dual Graph Neural Networks (STDGNN). Specifically, we first establish the node-wise and edge-wise graphs to respectively characterize the adjacency relations of intersections and that of road segments. In order to extract the joint spatio-temporal correlations of the intersections and road segments, we adopt the spatio-temporal dual graph learning approach that incorporates multiple spatial-temporal dual graph learning modules with multi-scale network architectures for capturing multi-level spatial-temporal information from the dual graph. Finally, we employ the multi-task learning approach to estimate the travel time of a given whole route, each road segment and intersection simultaneously. We conduct extensive experiments to evaluate our proposed model on three real-world trajectory datasets, and the experimental results show that STDGNN significantly outperforms several state-of-art baselines.

研究の動機と目的

• 過去の研究が道路区間や交差点を個別にモデル化しているという限界に対処し、最適でない移動時間推定を回避すること。
• 実際の交通ネットワークにおいて動的に相互に依存する関係にある、交差点と道路区間の共同的な空間的・時系列的相関を捉えること。
• 経路全体、個々の道路区間、交差点の移動時間を同時に推定できる統一的かつエンド・ツー・エンドの深層学習フレームワークを構築すること。
• 二重グラフ構造を用いて、交差点と道路区間の静的属性と動的相互作用をモデル化することで、推定精度を向上させること。

提案手法

• 交差点用のノード単位グラフと道路区間用のエッジ単位グラフを別々に構築し、それぞれ構造的特徴および静的特徴を符号化する。
• 空間的グラフ畳み込みと時系列畳み込みを適用することで、両方のグラフから独立した空間的・時系列的パターンを抽出する、空間的・時系列的二重グラフ学習モジュールを設計する。
• ノード単位グラフとエッジ単位グラフ間で潜在表現を集約・交換するための二重グラフ相互作用メカニズムを導入し、クロスレベルの特徴相互作用を可能にする。
• 異なる受容場のスケールにわたる階層的かつマルチレベルの表現を捉えるために、マルチスケールネットワークアーキテクチャを採用する。
• 経路、道路区間、交差点の移動時間を同時に予測することで、特徴共有とモデルの汎化能力を向上させる、マルチタスク学習を活用する。
• 空間的近接性をモデル化するために、学習可能なP行列を組み込み、二重グラフフレームワークにおける構造的整合性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 二重グラフ構造を用いて交差点と道路区間を統合的にモデル化することで、個別にモデル化する場合と比較して、移動時間推定精度が向上するか？
• RQ2 交差点と道路区間の独立した空間的・時系列的ダイナミクスは、交通フロー伝搬においてどのように相互に影響し合うか？
• RQ3 二重グラフ相互作用メカニズムが、都市道路網におけるクロス構造的依存関係をどれほど効果的に捉えられるか？
• RQ4 層の数や潜在次元のハイパーパrameterが、STDGNNフレームワークの性能および一般化能力に与える影響は何か？
• RQ5 個々の構成要素（例：交差点なし、リンクなし、P行列なし）が、モデル全体の性能にどの程度寄与しているか？

主な発見

• STDGNNは3つの実世界の軌跡データセットにおいて、最先端のベースラインを顕著に上回り、すべての指標でRMSE、MAE、MAPEが低くなった。
• アブレーションスタディの結果、交差点や道路区間、P行列を削除すると、性能が著しく低下することが判明した（ポルトデータセットではMAEが最大6.07%低下）— これにより、両方の構成要素が極めて重要な役割を果たしていることが示された。
• 最適なモデル設定では、成都データセットでは3層かつ潜在次元30、ポルトデータセットでは20が最適であった。これは、より大きな次元が常に性能を向上させるわけではない（過学習のため）ことを示している。
• 3層で性能がピークに達するが、4層に増加させると性能が低下する。これは、より深いネットワークが与えられたデータに対して過学習するか、一般化に失敗する可能性があることを示唆している。
• マルチスケールアーキテクチャは特徴表現を強化し、マルチタスク学習の設定により、経路・区間・交差点の予測間で共有知識が可能になり、推定精度が向上した。