[논문 리뷰] A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network

Na Zhang, Xuefeng Guan외 3명|arXiv (Cornell University)|2019. 04. 14.

Traffic Prediction and Management Techniques참고 문헌 23인용 수 9

한 줄 요약

이 논문은 파형 변환과 모티프 기반 그래프 컨볼루션 순환 신경망(Motif-GCRNN)을 통합한 하이브리드 교통 속도 예측 모델을 제안하여 단기 속도 예측 성능을 향상시킨다. 교통 데이터를 저주파 및 고주파 성분으로 분해함으로써, 공간-시간 상관관계 모델링에 Motif-GCRNN를 적용하고 고주파 성분에는 ARMA를 적용하여 성남 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Traffic forecasting is crucial for urban traffic management and guidance. However, existing methods rarely exploit the time-frequency properties of traffic speed observations, and often neglect the propagation of traffic flows from upstream to downstream road segments. In this paper, we propose a hybrid approach that learns the spatio-temporal dependency in traffic flows and predicts short-term traffic speeds on a road network. Specifically, we employ wavelet transform to decompose raw traffic data into several components with different frequency sub-bands. A Motif-based Graph Convolutional Recurrent Neural Network (Motif-GCRNN) and Auto-Regressive Moving Average (ARMA) are used to train and predict low-frequency components and high-frequency components, respectively. In the Motif-GCRNN framework, we integrate Graph Convolutional Networks (GCNs) with local sub-graph structures - Motifs - to capture the spatial correlations among road segments, and apply Long Short-Term Memory (LSTM) to extract the short-term and periodic patterns in traffic speeds. Experiments on a traffic dataset collected in Chengdu, China, demonstrate that the proposed hybrid method outperforms six state-of-art prediction methods.

연구 동기 및 목표

• 기존 교통 예측 방법이 시간-주파수 특성과 상류-하류 유량 전파를 포착하는 데 한계가 있음을 해결하기 위해.
• 기본적인 그래프 신경망보다도 도로 네트워크 내 복잡한 공간-시간 상관관계를 더 효과적으로 모델링하기 위해.
• 다른 신호 성분에 대해 주파수 분해와 특화된 모델링을 활용하여 단기 교통 속도 예측 정확도를 향상시키기 위해.
• 모티프 기반 국소 그래프 구조를 순환 네트워크와 통합하여 교통 흐름 동역학을 더 잘 표현하기 위해.
• 실제 교통 데이터를 바탕으로 제안된 하이브리드 프레임워크를 여러 최신 기술 수준의 베이스라인과 비교하여 검증하기 위해.

제안 방법

• 방법은 원시 교통 속도 시계열을 다이내믹 웨이브릿 변환(DWT)을 적용하여 여러 주파수 대역으로 분해하여 저주파 및 고주파 성분으로 분리한다.
• 저주파 성분은 모티프 기반 그래프 컨볼루션 순환 신경망(Motif-GCRNN)을 사용하여 모델링하며, 국소 서브-그래프 모티프를 통해 공간 상관관계를 포착한다.
• Motif-GCRNN는 그래프 컨볼루션 네트워크(GCNs)와 모티프 구조를 통합하여 도로 세그먼트 간의 공간 상관관계를 학습하고, 이후 LSTM 레이어를 통해 단기 및 주기적 시간 패턴을 추출한다.
• 고주파 성분은 자기회귀이동평균(ARMA) 모델을 사용하여 모델링하며, 이는 정적이고 고주파 변동에 잘 적합하다.
• 저주파 및 고주파 모델의 예측 결과를 통합하여 최종 교통 속도 예측을 재구성한다.
• 모델은 중국 성두의 실세계 교통 데이터셋에서 엔드 투 엔드로 훈련되며, RMSE 및 MAE와 같은 표준 지표를 사용하여 성능 평가가 이루어진다.

실험 결과

연구 질문

• RQ1 파형 기반 주파수 분해가 단기 교통 속도 예측 정확도를 향상시키는가?
• RQ2 표준 GCN과 비교해 모티프 기반 그래프 컨볼루션 네트워크가 도로 네트워크 내 공간 상관관계를 얼마나 효과적으로 포착하는가?
• RQ3 LSTM과 모티프 구조를 통합하면 교통 속도의 주기적 및 단기 시간 패턴 모델링이 향상되는가?
• RQ4 고주파 성분에 대해 ARMA 모델링이 이러한 성분에 대해 딥러닝 모델보다 뛰어나게 성능을 내는가?
• RQ5 다양한 주파수 대역에 대해 전용 모델을 적용하는 웨이브릿 분해와 하이브리드 아키텍처가 기존 최신 기술 수준의 방법보다 뛰어난 성능을 내는가?

주요 결과

• 제안된 하이브리드 모델은 여섯 가지 최신 기술 수준의 방법과 비교해 성남 교통 데이터셋에서 가장 낮은 RMSE와 MAE를 기록한다.
• 웨이브릿 변환의 통합은 교통 동역학의 주파수 특화 모델링을 가능하게 하여 예측 정확도를 크게 향상시킨다.
• Motif-GCRNN 프레임워크는 실제 교통 흐름 전파 패턴을 반영하는 국소 공간 모티프를 포착함으로써 표준 GCN 기반 모델보다 뛰어난 성능을 보인다.
• 고주파 성분에 대해 ARMA를 사용함으로써 딥러닝 모델보다 더 정확하고 효율적인 대안을 제공한다.
• 제거 실험 결과, 웨이브릿 분해와 모티프 기반 공간 모델링이 전체 성능 향상에 크게 기여한다는 것이 확인되었다.
• 모델은 다양한 시간 간격에서 뛰어난 안정성을 보이며 돌연한 교통 변화와 주기적 추세를 특히 잘 포착한다.