[論文レビュー] STGC-GNNs: A GNN-based traffic prediction framework with a spatial-temporal Granger causality graph

Silu He, Qinyao Luo+3 more|arXiv (Cornell University)|Oct 30, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、空間的・時間的グレインジャー因果関係（STGC）を用いて、長距離で顕著な交通流伝達を捉えるために、グローバルかつダイナミックな空間的依存関係をモデル化するGNNベースの交通予測フレームワークであるSTGC-GNNを提案する。長期間にわたり安定した因果関係を特定するための空間的・時間的アライメントアルゴリズムとグレインジャー因果関係検定を用いることで、METR_LAデータセット上での3つのバックボーンモデルにおいて45分および1時間予測が向上し、静的空間グラフを上回る性能を発揮する。

ABSTRACT

The key to traffic prediction is to accurately depict the temporal dynamics of traffic flow traveling in a road network, so it is important to model the spatial dependence of the road network. The essence of spatial dependence is to accurately describe how traffic information transmission is affected by other nodes in the road network, and the GNN-based traffic prediction model, as a benchmark for traffic prediction, has become the most common method for the ability to model spatial dependence by transmitting traffic information with the message passing mechanism. However, existing methods model a local and static spatial dependence, which cannot transmit the global-dynamic traffic information (GDTi) required for long-term prediction. The challenge is the difficulty of detecting the precise transmission of GDTi due to the uncertainty of individual transport, especially for long-term transmission. In this paper, we propose a new hypothesis\: GDTi behaves macroscopically as a transmitting causal relationship (TCR) underlying traffic flow, which remains stable under dynamic changing traffic flow. We further propose spatial-temporal Granger causality (STGC) to express TCR, which models global and dynamic spatial dependence. To model global transmission, we model the causal order and causal lag of TCRs global transmission by a spatial-temporal alignment algorithm. To capture dynamic spatial dependence, we approximate the stable TCR underlying dynamic traffic flow by a Granger causality test. The experimental results on three backbone models show that using STGC to model the spatial dependence has better results than the original model for 45 min and 1 h long-term prediction.

研究の動機と目的

• 長期間にわたりグローバルでダイナミックな交通情報伝達（GDTi）を捉えることが難しい、従来のGNNベースの交通モデルの限界を解消すること。
• 空間的依存関係を静的で局所的な接続性として捉えるのでなく、長期的な交通フローダイナミクスの背後にある安定した方向性のある因果関係としてモデル化すること。
• 時系列データを用いて、交通フローにおけるマクロスコピックな伝達因果関係（TCR）を同定・活用する手法を開発すること。
• 静的空間グラフを動的に推定された因果グラフに置き換えることで、長期間予測性能、特に45分および1時間予測の精度を向上させること。
• STGCに基づく空間的依存関係が、従来の静的グラフ構造よりも長距離依存関係をよりよく捉えられることを検証すること。

提案手法

• 伝達因果関係（TCR）仮説を提唱：微視的レベルの車両行動は不確実であるが、マクロ的レベルの交通フローには安定した因果伝達パターンが存在する。
• 交通時系列におけるノード間の因果順序とラグを特定するための空間的・時間的アライメントアルゴリズムを開発し、方向性のある因果関係の検出を可能にする。
• アライメント済み時系列に対してグレインジャー因果関係検定を適用し、安定した因果的依存関係を同定し、空間的・時間的グレインジャー因果関係（STGC）グラフを構築する。
• STGCグラフをGNNベースの交通予測モデルの空間トポロジー入力として統合し、従来の静的レーンネットワークグラフに置き換える。
• 一貫した学習および推論プロトコルのもとで、3つのバックボーンGNNモデル（例：T-GCN、Graph WaveNet、STGCN）を用いてSTGC-GNNフレームワークを評価する。
• METR_LAデータセット上でフレームワークを学習およびテストし、異なる予測ホライズンおよびノードタイプにおける性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 道路網における長期間にわたるグローバル・ダイナミック交通情報伝達（GDTi）の背後には、安定的かつ方向性のある因果関係が存在するか？
• RQ2 空間的・時間的グレインジャー因果関係は、静的空間グラフでは捉えきれない動的空間的依存関係を効果的に検出し、モデル化できるか？
• RQ3 静的空間グラフをSTGCに基づくグラフに置き換えることで、長期間交通予測の精度が向上するか？
• RQ4 遠方・境界・交差点ノードのように、長距離依存関係に依存するノードにおいて、STGC-GNNフレームワークはどのように性能を発揮するか？
• RQ5 45分および1時間の交通予測において、STGCベースのアプローチがベースラインGNNモデルを上回るか？

主な発見

• STGC-GNNは、METR_LAデータセット上での3つのバックボーンモデルすべてにおいて、45分および60分の交通予測でベースラインGNNモデルを顕著に上回る。
• 交差点ノード、境界ノード、遠方ノードを含むすべてのノードタイプにおいて、予測精度が向上し、長距離依存関係の効果的な捉え方を示している。
• STGCグラフは、実際の道路網における上流・下流の交通フローのパターンと整合する方向性のある因果関係を捉えている。
• 空間的・時間的アライメントアルゴリズムは、因果順序とラグを効果的に特定できており、時系列データからのTCRの正確な検出を可能にしている。
• アライメント済み時系列にグレインジャー因果関係検定を適用することで、動的変化する交通状況下でも安定した因果的依存関係が明らかになった。
• フレームワークは、空間的依存関係を動的かつ因果的構造としてモデル化することで、静的かつ局所的な接続性よりも優れた長期予測性能を達成できることを示している。