[論文レビュー] Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method.

Ling Zhao, Yujiao Song+2 more|arXiv (Cornell University)|Nov 12, 2018

Traffic Prediction and Management Techniques参考文献 26被引用数 34

ひとこと要約

本稿では、都市交通フローの空間的・時間的依存関係をモデル化するために、グラフ畳み込みネットワーク（GCN）とゲーテッド再帰ユニット（GRU）を組み合わせた時系列グラフ畳み込みネットワーク（T-GCN）を提案する。本手法は、実世界のデータセットにおいて、最先端のベースラインを上回る性能を発揮し、道路網内の空間的・時間的相関を効果的に捉えている。

ABSTRACT

Accurate and real-time traffic forecasting plays an important role in the Intelligent Traffic System and is of great significance for urban traffic planning, traffic management, and traffic control. However, traffic forecasting has always been considered an open scientific issue, owing to the constraints of urban road network topological structure and the law of dynamic change with time, namely, spatial dependence and temporal dependence. To capture the spatial and temporal dependence simultaneously, we propose a novel neural network-based traffic forecasting method, the temporal graph convolutional network (T-GCN) model, which is in combination with the graph convolutional network (GCN) and gated recurrent unit (GRU). Specifically, the GCN is used to learn complex topological structures to capture spatial dependence and the gated recurrent unit is used to learn dynamic changes of traffic data to capture temporal dependence. Then, the T-GCN model is employed to traffic forecasting based on the urban road network. Experiments demonstrate that our T-GCN model can obtain the spatio-temporal correlation from traffic data and the predictions outperform state-of-art baselines on real-world traffic datasets. Our tensorflow implementation of the T-GCN is available at this https URL.

研究の動機と目的

• リアルタイムでの都市交通フローの正確な予測を解決すること。
• 都市の道路網のトポロジーに起因する複雑な空間的依存関係をモデル化すること。
• 時間経過に伴う交通データの動的時間的変化を捉えること。
• 空間的および時間的依存関係を統合的にモデル化する統一されたディープラーニングフレームワークを構築すること。
• 既存の最先端手法と比較して予測性能を向上させること。

提案手法

• T-GCNモデルは、道路網のトポロジーに基づいて交通センサー間の空間的関係を学習するため、グラフ畳み込みネットワーク（GCN）を統合する。
• 時間的ダイナミクスおよび交通フローの時系列的変化をモデル化するために、ゲーテッド再帰ユニット（GRU）を採用する。
• GCNは都市の道路網のグラフ表現上で交通データを処理し、ノード間でのメッセージパッシングを通じて空間的依存関係を符号化する。
• GRU部は、GCNの出力を時間経過とともに処理し、長期的な時間的パターンおよび依存関係を学習する。
• モデルは、歴史的交通フローのデータ上で、シーケンス・トゥ・シーケンスのフレームワークを用いてエンド・ツー・エンドで訓練される。
• T-GCNモデルのTensorFlow実装は、再現可能性およびさらなる研究のため、公開されている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、都市交通フローのデータにおける空間的および時間的依存関係を効果的に捉えることができるか？
• RQ2 GCNとGRUの統合は、単独のモデルと比較して、交通予測精度をどのように向上させるか？
• RQ3 T-GCNモデルは、さまざまな実世界の都市交通データセットにどの程度一般化可能か？
• RQ4 提案手法は、予測精度の観点から、既存の最先端の交通予測アプローチを上回るか？

主な発見

• T-GCNモデルは、GCNとGRUのコンポonentを組み合わせることで、都市交通フローのデータにおける空間的・時間的相関を効果的に捉えている。
• 本モデルは、実世界の交通データセットにおいて、最先端のベースラインを上回る優れた性能を発揮している。
• GCNの統合により、道路網構造全体における空間的依存関係の有効なモデル化が可能になった。
• GRUの使用により、交通シーケンスにおける複雑な時間的ダイナミクスおよび長期的依存関係を学習できるようになった。
• 提案手法は、複数の評価指標において一貫した予測精度の向上を示している。