[논문 리뷰] AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Chao Tao외 5명|arXiv (Cornell University)|2020. 11. 22.

Traffic Prediction and Management TechniquesEngineering참고 문헌 34인용 수 17

한 줄 요약

이 논문은 정적(예: POI 분포) 및 동적(예: 기상 조건) 외부 속성을 교통 예측에 통합하는 새로운 스파atiotemporal 그래프 컨볼루션 네트워크인 AST-GCN을 제안한다. 이러한 속성을 동적 및 정적 특징으로 모델링하고 속성 증강 유닛을 통해 융합함으로써 AST-GCN은 예측 정확도와 해석 가능성을 향상시켜 다양한 데이터셋과 예측 수준에서 기준 모델을 능가한다.

ABSTRACT

Traffic forecasting is a fundamental and challenging task in the field of intelligent transportation. Accurate forecasting not only depends on the historical traffic flow information but also needs to consider the influence of a variety of external factors, such as weather conditions and surrounding POI distribution. Recently, spatiotemporal models integrating graph convolutional networks and recurrent neural networks have become traffic forecasting research hotspots and have made significant progress. However, few works integrate external factors. Therefore, based on the assumption that introducing external factors can enhance the spatiotemporal accuracy in predicting traffic and improving interpretability, we propose an attribute-augmented spatiotemporal graph convolutional network (AST-GCN). We model the external factors as dynamic attributes and static attributes and design an attribute-augmented unit to encode and integrate those factors into the spatiotemporal graph convolution model. Experiments on real datasets show the effectiveness of considering external information on traffic forecasting tasks when compared to traditional traffic prediction methods. Moreover, under different attribute-augmented schemes and prediction horizon settings, the forecasting accuracy of the AST-GCN is higher than that of the baselines.

연구 동기 및 목표

• 교통 상태에 영향을 주는 외부 요인을 반영하지 못하는 전통적 교통 예측 모델의 한계를 해결한다.
• 정적(예: POI 밀도) 및 동적(예: 기상 조건) 속성을 스파atiotemporal 학습 과정의 일부로 모델링하여 예측 정확도를 향상시킨다.
• 외부 속성을 그래프 컨볼루션 프레임워크에 명시적으로 인코딩하고 융합함으로써 모델의 해석 가능성을 향상시킨다.
• 노이즈가 있는 데이터 조건에서의 편향 분석을 통해 모델의 강건성과 일반화 능력을 입증한다.
• 제거 실험과 예측 성능의 시각화를 통해 속성 증강의 효과를 검증한다. 특히 전환점과 피크에서의 성능을 중심으로 분석한다.

제안 방법

• 노드가 도로 세그먼트이고 에지가 공간적 연결성을 나타내는 공간 그래프로 도로 네트워크를 모델링한다.
• 정적 속성(예: POI 유형 및 수)과 동적 속성(예: 기상 조건)을 별도로 인코딩하는 속성 증강 유닛을 도입하여 추가 입력 특징으로 제공한다.
• 학습 가능한 어텐션 또는 연결 메커니즘을 통해 교통 흐름 특징과 속성 임베딩을 융합한 후 그래프 컨볼루션 레이어에 입력한다.
• 그래프 컨볼루션 네트워크(GCNs)를 활용해 공간적 종속성을 캡처하고, 게이트드 순환 단위(GRUs)를 사용해 증강된 특징 공간 내 시간적 동역학을 모델링한다.
• 다중 헤드 어텐션 메커니즘을 적용하여 예측 과정에서 다양한 속성의 중요도를 동적으로 가중한다.
• 실세계 교통 데이터셋에서 평균 절대 오차(MAE) 및 평균 제곱 오차(MSE) 손실 함수를 사용해 엔드 투 엔드 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 정적 및 동적 외부 속성의 통합이 스파atiotemporal 교통 예측의 정확도를 향상시킬 수 있는가?
• RQ2 정적 속성(예: POI 분포)과 동적 속성(예: 기상 조건)이 개별적으로나 함께 작용할 때 예측 성능에 미치는 영향은 어떠한가?
• RQ3 노이즈가 있는 데이터 조건에서도 AST-GCN 모델이 잘 일반화되는가? 이는 강건성을 시사하는가?
• RQ4 모델은 짧은 기간 예측과 장기 예측 모두에서 교통 추세, 특히 전환점과 피크에서 얼마나 잘 성능을 발휘하는가?
• RQ5 외부 속성이 교통 정체나 급격한 속도 감소와 같은 임계 교통 사건을 예측하는 데 모델의 능력을 얼마나 향상시키는가?

주요 결과

• AST-GCN은 다양한 데이터셋에서 기준 모델보다 뛰어난 예측 정확도를 달성했으며, MAE 및 RMSE 지표에서 뚜렷한 향상을 보였다.
• 정적 및 동적 속성의 조합이 가장 높은 성능을 보였으며, 이는 다양한 외부 정보가 예측 능력을 향상시킨다는 것을 시사한다.
• 정규분포 및 포isson 노이즈 조건에서도 모델은 성능 저하가 최소한이었으며, 다양한 노이즈 수준에서도 강건성을 유지했다.
• 장기 예측(예: 60분 수준)은 단기 예측(예: 15분 수준)보다 오차가 더 높았으며, 이는 짧은 범위의 종속성을 더 잘 포착한다는 것을 의미한다.
• 시각화 결과는 정적 및 동적 속성을 모두 사용한 경우 속성 증강 예측이 전환점과 피크에서 진짜 값에 더 가까운 것으로 확인되었다.
• 제거 실험 결과 외부 속성이 포함된 모델은 변화가 급격한 교통 속도 변화를 포착하는 데 있어 그렇지 않은 모델보다 뛰어난 성능을 보였다.