[논문 리뷰] 3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting

Bing Yu, Mengzhang Li외 2명|arXiv (Cornell University)|2019. 03. 03.

Traffic Prediction and Management Techniques참고 문헌 19인용 수 42

한 줄 요약

본 논문은 도로 간 시간적 유사성을 학습하여 시간적 인접 그래프를 구성하고, 정의된 공간 그래프에 의존하지 않고 교통 속도를 예측하기 위해 3D 그래프 컨볼루션을 수행하는 시공간 그래프 신경망인 3D-TGCN을 제시한다.

ABSTRACT

Spatio-temporal prediction plays an important role in many application areas especially in traffic domain. However, due to complicated spatio-temporal dependency and high non-linear dynamics in road networks, traffic prediction task is still challenging. Existing works either exhibit heavy training cost or fail to accurately capture the spatio-temporal patterns, also ignore the correlation between distant roads that share the similar patterns. In this paper, we propose a novel deep learning framework to overcome these issues: 3D Temporal Graph Convolutional Networks (3D-TGCN). Two novel components of our model are introduced. (1) Instead of constructing the road graph based on spatial information, we learn it by comparing the similarity between time series for each road, thus providing a spatial information free framework. (2) We propose an original 3D graph convolution model to model the spatio-temporal data more accurately. Empirical results show that 3D-TGCN could outperform state-of-the-art baselines.

연구 동기 및 목표

• 복잡한 시공간 역학 속에서 정확한 교통 예측을 동기화하고, 신뢰할 수 있는 공간 토폴로지 정보가 제한적인 상황에서.
• 시간적 유사성을 기반으로 한 데이터 기반 그래프 구성으로 도로 간 교차 패턴을 포착하자.
• 공간-시간 의존성을 공동으로 학습하는 3D 그래프 컨볼루션 아키텍처를 개발하자.
• 실세계 데이터셋에서 시간적 유사성 그래프가 전통적 공간 인접성보다 성능이 우수함을 보이자.

제안 방법

• 도로 시계열에 Dynamic Time Warping (DTW)을 적용해 시간적 유사 그래프를 구성하고 각 도로를 가장 유사한 상위 도로들과 연결한다.
• 단일 계층에서 공간 이웃과 시간 창을 공동으로 집계하는 3D 그래프 컨볼루션 연산을 개발한다.
• 레이어 정규화와 GLU 활성화 함수를 갖춘 다수의 3D 그래프 컨볼루션 블록을 쌓아 엔드-투-엔드 네트워크를 형성한다.
• 짧은 기간의 교통 예측 구간에 대해 L2와 L1 손실을 결합한 손실로 Adam으로 최적화하여 학습한다.
• 실세계 데이터셋 PeMSD7과 PEMS-BAY에서 기준선과 비교 평가하며 STGCN, DCRNN 등 모델과 대조한다.

실험 결과

연구 질문

• RQ1 도로 간 시간적 인접성을 학습하여 교통 속도 예측을 개선할 수 있는가?
• RQ2 공간과 시간 정보를 융합하는 3D 그래프 컨볼루션이 이 차원을 개별적으로 다루는 모델보다 더 우수한가?
• RQ3 순수 데이터 기반의, 공간 정보를 필요로 하지 않는 그래프 구성은 실세계 교통 네트워크에 대해 규모 확장이 가능한가?
• RQ4 최첨단 기준선과 비교한 짧은 기간 및 장기 예측 작업에서 3D-TGCN의 성능은 어떤가?

주요 결과

• 3D-TGCN은 공간 토폴로지 그래프를 필요로 하지 않고도 두 개의 대형 실세계 데이터셋에서 최첨단 성능을 달성한다.
• 시간적 유사성 기반 그래프(DTW)가 도로 간 관계를 모델링하는 데 있어 전통적 공간 인접성보다 더 우수한 성능을 보인다.
• 3D 그래프 컨볼루션 계층은 공간 및 시간 의존성을 공동으로 캡처하고, 일부 RNN 기반 접근법보다 더 빠른 학습 및 수렴을 제공한다.
• PeMSD7 및 PEMS-BAY에서 3D-TGCN은 짧은 기간과 더 긴 기간 모두에서 강한 예측 정확도를 보여주며 여러 설정에서 STGCN, DCRNN 같은 기준선보다 우수하다.
• 그래프 학습과 공동 3D 컨볼루션 설계 덕분에 이 모델은 교통 예측을 넘어 다른 시공간 작업에도 확장 가능하고 적응력이 있다.