[論文レビュー] Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network

Xiyue Zhang, Chao Huang+6 more|arXiv (Cornell University)|Oct 8, 2021

Traffic Prediction and Management TechniquesEngineering被引用数 21

ひとこと要約

本稿では、多スケール自己注意メカニズムを用いて多解像度の時間的ダイナミクスを捉え、階層的構造をとるグラフニューラルネットワークにより局所的およびグローバルな空間的依存関係をモデル化する空間時系列グラフ拡散ネットワーク、ST-GDNを提案する。このフレームワークは、局所的な地理的相関と長距離のクロスリージョン依存関係を明示的に統合することで、複数の実世界の交通データセットで最先端の性能を達成する。

ABSTRACT

Accurate forecasting of citywide traffic flow has been playing critical role in a variety of spatial-temporal mining applications, such as intelligent traffic control and public risk assessment. While previous work has made significant efforts to learn traffic temporal dynamics and spatial dependencies, two key limitations exist in current models. First, only the neighboring spatial correlations among adjacent regions are considered in most existing methods, and the global inter-region dependency is ignored. Additionally, these methods fail to encode the complex traffic transition regularities exhibited with time-dependent and multi-resolution in nature. To tackle these challenges, we develop a new traffic prediction framework-Spatial-Temporal Graph Diffusion Network (ST-GDN). In particular, ST-GDN is a hierarchically structured graph neural architecture which learns not only the local region-wise geographical dependencies, but also the spatial semantics from a global perspective. Furthermore, a multi-scale attention network is developed to empower ST-GDN with the capability of capturing multi-level temporal dynamics. Experiments on several real-life traffic datasets demonstrate that ST-GDN outperforms different types of state-of-the-art baselines. Source codes of implementations are available at https://github.com/jill001/ST-GDN.

研究の動機と目的

• 既存の交通予測モデルが局所的な空間的相関にのみ注目しており、複雑で時間依存性のある多スケール交通パターンを捉えられていないという限界を解消すること。
• 交通流の予測精度を向上させるために、局所的な地理的依存関係とグローバルなクロスリージョン相互依存関係を明示的にモデル化すること。
• 都市部の領域間で階層的な時間的ダイナミクスと包括的な空間的関係を統合的に学習する統一フレームワークを構築すること。
• グラフベースのアーキテクチャにおいて、多粒度の時間信号とグローバルな意味的関係を統合することで、空間時系列予測における表現学習を強化すること。

提案手法

• 時間解像度の異なる複数のスケール（例：1時間、1日、1週間）における時間的ダイナミクスを符号化するために、多スケール自己注意ネットワークを設計する。
• 多段階の時間的表現間の依存関係をモデル化するための時間階層集約層を導入し、細粒度の時間的信号の協調的学習を可能にする。
• グラフアテンションネットワークと畳み込みベースのグラフ拡散を組み合わせることで、局所的な空間的隣接関係とグローバルな地域間依存関係の両方をモデル化する階層的構造のグラフニューラルネットワークを構築する。
• グラフ拡散メカニズムにより、遠く離れた地域間でも交通状態情報の伝搬が可能となり、直近の隣接領域を超えた長距離の空間的相関を捉える。
• 空間的および時間的表現を共同学習の枠組みで統合することで、最終的な交通流予測の表現力が向上する。
• 歴史的交通流テンソルに対する再構成損失を用いて、エンドツーエンドでモデルを訓練し、アテンション重みと拡散プロセスを同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 多スケールの時間的ダイナミクスをモデル化することで、都市環境における交通流予測の精度が向上するか？
• RQ2 直近の空間的近隣を越えたグローバルな相互依存関係——特にクロスリージョン間の依存関係——を交通予測モデルで効果的に捉える方法は何か？
• RQ3 局所的な空間的相関とグローバルな空間的意味的関係を組み合わせることで、予測性能がどの程度向上するか？
• RQ4 グラフ拡散ベースのアーキテクチャは、交通ネットワークにおける高次の空間的依存関係を効果的にモデル化できるか？
• RQ5 多スケールアテンションと階層的グラフ学習を統合したアプローチは、従来のGNNやRNNベースの手法と比較して、交通予測においてどのように優れているか？

主な発見

• ST-GDNは、BJ-Taxi、NYC-Taxi、NYC-Bikeの3つの実世界データセットにおいて、MAE、RMSE、MAPEの指標で複数の最先端のベースラインを上回る性能を達成した。
• NYC-Bikeデータセットでは、MAEが569.26、RMSEが891.63、MAPEが0.20を記録し、DCRNN、ST-GCN、GMANを含むすべての比較手法を上回った。
• 多スケールアテンションメカニズムによる多粒度の時間的ダイナミクスのモデル化の能力のおかげで、複雑で周期的な交通パターンを効果的に捉えることができた。
• 階層的グラフニューラルアーキテクチャのおかげで、ST-GDNは局所的およびグローバルな空間的依存関係を効果的に学習でき、近隣領域のみを考慮するモデルと比較して予測精度が著しく向上した。
• ST-GCNより計算コストは高いが、アテンションベースのグラフ伝搬のため、精度と効率のバランスを良好に保ち、競争力のある推論時間を持つ。
• アブレーションスタディの結果、多スケール時間的モデリングとグローバル空間的依存関係学習の両方のコンponentが、モデルの性能向上に顕著に寄与していることが確認された。