[논문 리뷰] A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Yujiao Song외 2명|arXiv (Cornell University)|2020. 06. 20.

Traffic Prediction and Management Techniques참고 문헌 32인용 수 18

한 줄 요약

이 논문은 공간적 종속성 모델링을 위해 그래프 컬러션 네트워크(GCN)와 전역 시간 동적 모델링을 위해 게이트드 순환 단위(GRU)와 주의 메커니즘을 통합한 A3T-GCN이라는 새로운 교통 예측 모델을 제안한다. 이 모델은 다양한 예측 수평에서 기준 방법 대비 최대 1.31%의 RMSE 감소와 최대 0.48%의 정확도 향상을 기록하며 실세계 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Accurate real-time traffic forecasting is a core technological problem against the implementation of the intelligent transportation system. However, it remains challenging considering the complex spatial and temporal dependencies among traffic flows. In the spatial dimension, due to the connectivity of the road network, the traffic flows between linked roads are closely related. In terms of the temporal factor, although there exists a tendency among adjacent time points in general, the importance of distant past points is not necessarily smaller than that of recent past points since traffic flows are also affected by external factors. In this study, an attention temporal graph convolutional network (A3T-GCN) traffic forecasting method was proposed to simultaneously capture global temporal dynamics and spatial correlations. The A3T-GCN model learns the short-time trend in time series by using the gated recurrent units and learns the spatial dependence based on the topology of the road network through the graph convolutional network. Moreover, the attention mechanism was introduced to adjust the importance of different time points and assemble global temporal information to improve prediction accuracy. Experimental results in real-world datasets demonstrate the effectiveness and robustness of proposed A3T-GCN. The source code can be visited at https://github.com/lehaifeng/T-GCN/A3T.

연구 동기 및 목표

• 도시 교통 예측에서 복잡한 시공간 종속성을 포착하는 데 도전하는 것.
• 도로 네트워크 구조를 기반으로 한 그래프 컬러션 네트워크(GCN)를 사용하여 공간 상관관계를 모델링하는 것.
• 주요 메커니즘을 통해 단기 추세를 넘어서 장거리 시간 동적 패턴을 포착하는 것.
• 노이즈가 많은 실세계 조건에서도 예측 정확도와 강인성을 향상시키는 것.
• 교통 속도의 공간적 및 전역 시간 패턴을 동시에 모델링하는 통합 딥 러닝 프레임워크를 개발하는 것.

제안 방법

• 도로 네트워크는 노드 V와 간선 E로 구성된 그래프 G = (V, E)로 모델링되며, 노드는 도로 세그먼트를 나타내고 간선은 연결성을 나타낸다.
• 공간 종속성은 인접 행렬 A를 통해 연결된 도로 세그먼트 간에 특징을 전파하는 그래프 컬러션 네트워크(GCN)를 사용하여 포착된다.
• 시간 동적 특성은 순차적인 교통 속도 데이터로부터 단기 추세를 학습하는 게이트드 순환 단위(GRU)를 사용하여 모델링된다.
• 주요 메커니즘이 도입되어 다양한 이전 시간 단계의 중요도를 동적으로 가중치를 부여함으로써 전역 시간 특징 집합을 가능하게 한다.
• GCN와 GRU의 출력이 융합되어 최종 완전 연결층을 통과하여 교통 속도 예측이 이루어진다.
• 실세계 교통 속도 데이터셋에서 평균 제곱 오차(MSE) 손실을 사용하여 엔드 투 엔드로 모델이 훈련된다.

실험 결과

연구 질문

• RQ1 통합 딥 러닝 모델이 교통 예측에서 공간 종속성과 전역 시간 동적 특성을 효과적으로 포착할 수 있는가?
• RQ2 표준 RNN과 비교할 때 주요 메커니즘의 통합이 장거리 시간 종속성 모델링에 어떻게 기여하는가?
• RQ3 예측 수평이 다양할 때 A3T-GCN이 GCN, GRU, T-GCN 등의 기존 방법들보다 예측 정확도에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 특히 가우시안 및 포아송 노이즈가 첨가된 상황에서 A3T-GCN의 강인성은 어떠한가?
• RQ5 모델은 출퇴근 정점과 혼잡 발생과 같은 교통 패턴을 정확히 포착할 수 있는가?

주요 결과

• 로스루프 데이터셋에서 30분 예측 수평에서 A3T-GCN는 T-GCN 대비 RMSE가 1.31% 낮고 정확도가 0.48% 높았다.
• SZ-taxi 데이터셋에서 45분 예측 시 A3T-GCN는 T-GCN 대비 RMSE를 약 1.14% 감소시키고 정확도를 0.43% 향상시켰다.
• 모델은 가우시안 노이즈(σ ∈ {0.2, 0.4, 0.8, 1, 2}) 및 포아송 노이즈(λ ∈ {1, 2, 4, 8, 16})의 다양한 수준에서 안정된 성능을 유지하며 강인성을 입증했다.
• 시각화 결과 A3T-GCN가 출퇴근 패턴과 혼잡 발생 시점과 같은 교통 속도 추세를 정확히 포착하고 있음을 확인했다.
• 모든 평가 지표와 예측 수평에서 HA, ARIMA, SVR, GCN, GRU, T-GCN 등의 기준 모델들을 모두 능가하는 성능을 보였다.
• 주요 메커니즘이 전역 시간 특징 학습을 크게 향상시켰으며, 모든 시간 수평에서 T-GCN 대비 일관된 성능 향상으로 이를 입증했다.