[論文レビュー] Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

Renhe Jiang, Zhaonan Wang+7 more|arXiv (Cornell University)|Nov 27, 2022

Traffic Prediction and Management Techniques被引用数 11

ひとこと要約

本稿では、メタノードバンクとハイパーネットワークを用いて動的にノード埋め込みを学習するメタグラフ畳み込み再帰型ネットワーク（MegaCRN）内に、空間的・時間的非定常性を解体し、非定常な交通状況に適応する新たな空間的時間的メタグラフ学習メカニズムを提案する。モデルはMETR-LA、PEMS-BAY、および新規の大規模な東京データセット（EXPY-TKY）で最先端性能を達成し、インシデントに強い精度と頑健性を示した。

ABSTRACT

Traffic forecasting as a canonical task of multivariate time series forecasting has been a significant research topic in AI community. To address the spatio-temporal heterogeneity and non-stationarity implied in the traffic stream, in this study, we propose Spatio-Temporal Meta-Graph Learning as a novel Graph Structure Learning mechanism on spatio-temporal data. Specifically, we implement this idea into Meta-Graph Convolutional Recurrent Network (MegaCRN) by plugging the Meta-Graph Learner powered by a Meta-Node Bank into GCRN encoder-decoder. We conduct a comprehensive evaluation on two benchmark datasets (i.e., METR-LA and PEMS-BAY) and a new large-scale traffic speed dataset called EXPY-TKY that covers 1843 expressway road links in Tokyo. Our model outperformed the state-of-the-arts on all three datasets. Besides, through a series of qualitative evaluations, we demonstrate that our model can explicitly disentangle the road links and time slots with different patterns and be robustly adaptive to any anomalous traffic situations. Codes and datasets are available at https://github.com/deepkashiwa20/MegaCRN.

研究の動機と目的

• 既存のモデルが効果的に捉えきれていない交通予測における空間的・時間的非定常性と非定常性を解消すること。
• 交通パターンが異なる道路リンクと時間帯を明示的に分離するグラフ構造学習メカニズムを開発すること。
• 再トレーニングなしで異常交通イベント（事故や渋滞など）に頑健に適応できるようにすること。
• 多様な交通状態と大規模な道路ネットワークに一般化可能なスケーラブルでメモリ効率の良いモデルを構築すること。

提案手法

• メタグラフラーナーは、学習可能なメタノードバンクからプロトタイプを照会し、各タイムステップごとに動的ノード埋め込みを生成する。
• ハイパーネットワークを用いて照会されたプロトタイプに基づきノード埋め込みを再構築することで、パラメータ効率の良い適応を実現する。
• この手法はGCRNエンコーダデコーダフレームワークに統合され、エンドツーエンド交通予測を実現するMegaCRNアーキテクチャを形成する。
• モデルは、時間的に変化する入力条件付きのグラフ構造を学習し、進化する空間的依存関係と交通ダイナミクスを反映する。
• メタノードバンクは局所的でパターン固有の表現を保存しており、モデルが異なる道路タイプや交通状態を区別できるようにする。
• 固定またはヒューリスティックなグラフ定義に依存するのではなく、データから直接グラフ構造を学習する。

実験結果

リサーチクエスチョン

• RQ1 メタラーニングベースのグラフ構造学習メカニズムは、交通データの空間的・時間的非定常性を効果的に分離できるか？
• RQ2 動的に学習されたグラフ構造は、事故やラッシュアワーなどの非定常な交通状況にどれほど適応できるか？
• RQ3 提案されたメタグラフラーナーは、静的または適応的グラフ手法と比較して予測精度を向上させるか？
• RQ4 複雑なインシデントパターンを有する大規模で現実世界の交通ネットワークに一般化可能か？

主な発見

• MegaCRNは、ベンチマークデータセット（METR-LAとPEMS-BAY）の両方で最先端性能を達成し、既存のSOTAモデルを上回った。
• 東京の1,843の道路リンクを有する新規リリースのEXPY-TKYデータセットにおいて、評価されたすべてのモデルの中で最小の全体MAEを達成した。
• モデルは133,597パラメータの2番目に少ない数を実現しながら最小のMAEを達成しており、高いメモリ効率を示した。
• t-SNE可視化により、モデルが交差点や料金所など、空間的・時間的パターンに応じて道路リンクをクラスタリングしていることが確認された。
• モデルはインシデントに起因する混乱を効果的に捉えており、事故発生後に注目重みと局所的メタグラフが動的に変化した。
• 局所的メタグラフは時間経過とともに進化し、事故後、ノード1の影響力が低下し、周辺ノード（7–10）がより中心的になったことが確認され、動的適応性が裏付けられた。