Skip to main content
누빈트
QUICK REVIEW

[논문 리뷰] Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction

Guangyin Jin, Fuxian Li|arXiv (Cornell University)|2022. 07. 22.
Traffic Prediction and Management Techniques인용 수 8
한 줄 요약

이 논문은 확장된 컨volution을 통해 장기 및 단기 공간-시간 의존성을 동시에 포착하고 동적 그래프 구조를 자동으로 학습하는 자동 확장 공간-시간 동기화 그래프 네트워크(Auto-DSTSGN)를 제안한다. 네 개의 실세계 교통 예측 데이터셋에서 최신 기술 대비 약 10%의 성능 향상을 달성하면서도 효율성과 낮은 GPU 점유율을 유지한다.

ABSTRACT

Accurate traffic prediction is a challenging task in intelligent transportation systems because of the complex spatio-temporal dependencies in transportation networks. Many existing works utilize sophisticated temporal modeling approaches to incorporate with graph convolution networks (GCNs) for capturing short-term and long-term spatio-temporal dependencies. However, these separated modules with complicated designs could restrict effectiveness and efficiency of spatio-temporal representation learning. Furthermore, most previous works adopt the fixed graph construction methods to characterize the global spatio-temporal relations, which limits the learning capability of the model for different time periods and even different data scenarios. To overcome these limitations, we propose an automated dilated spatio-temporal synchronous graph network, named Auto-DSTSGN for traffic prediction. Specifically, we design an automated dilated spatio-temporal synchronous graph (Auto-DSTSG) module to capture the short-term and long-term spatio-temporal correlations by stacking deeper layers with dilation factors in an increasing order. Further, we propose a graph structure search approach to automatically construct the spatio-temporal synchronous graph that can adapt to different data scenarios. Extensive experiments on four real-world datasets demonstrate that our model can achieve about 10% improvements compared with the state-of-art methods. Source codes are available at https://github.com/jinguangyin/Auto-DSTSGN.

연구 동기 및 목표

  • 시간에 따라 변화하는 교통 의존성을 포착하는 데에 제한적인 고정된 수작업 그래프의 문제점을 해결하기 위해.
  • 기존 GCN 기반 교통 예측 모델에서 별도의 시간 및 공간 모델링 모듈이 효율성과 표현력에 한계를 가진다는 점을 해결하기 위해.
  • 자동 그래프 구조 탐색을 통해 그래프 구조와 공간-시간 표현을 종합적으로 엔드 투 엔드로 학습할 수 있도록 하기 위해.
  • 산업적 구현을 고려해 계산 효율성과 낮은 메모리 사용량을 유지하면서 예측 정확도를 향상시키기 위해.

제안 방법

  • 확장 인자 값이 점차 증가하는 레이어를 스택하여 장기 및 단기 의존성을 포착하는 자동 확장 공간-시간 동기화 그래프(Auto-DSTSG) 모듈을 제안한다.
  • 다양한 데이터 입력과 시간대에 최적의 공간-시간 동기화 그래프(STSG)를 자동으로 학습하기 위해 미분 가능한 그래프 구조 탐색(GSS) 메커니즘을 도입한다.
  • 노드 간의 근접성에 대한 공간 그래프(SGs)와 노드 간 패턴 유사성에 대한 시간 그래프(TGs)의 두 가지 유형의 그래프를 구성한다.
  • 학습 중 그래프 구조 최적화를 위해 가용 마스크와 미분 가능한 리프레시를 사용한다.
  • 학습된 STSGs에 기반해 그래프 컨volution 네트워크(GCNs)를 적용하여 노드 간 및 시간 단계 간 메시지 집합을 수행한다.
  • STSG 프레임워크 내부에 확장 컨볼루션을 통합하여 모델 깊이를 늘리지 않고도 수신 필드를 확장한다.
Figure 1 : Example of spatial and temporal graph construction and spatio-temporal dependencies in a network. The blue dotted arrows, green dotted arrows and red dotted arrows respectively represents the cross-time self-connection, cross-time geo-spatial relations and cross-time pattern similarities.
Figure 1 : Example of spatial and temporal graph construction and spatio-temporal dependencies in a network. The blue dotted arrows, green dotted arrows and red dotted arrows respectively represents the cross-time self-connection, cross-time geo-spatial relations and cross-time pattern similarities.

실험 결과

연구 질문

  • RQ1엔드 투 엔드로 학습 가능한 프레임워크가 교통 예측을 위한 그래프 구조와 공간-시간 표현 학습을 동시에 최적화할 수 있는가?
  • RQ2고정 또는 적응형 그래프 방법에 비해 자동 그래프 구조 탐색이 예측 정확도 향상에 기여하는가?
  • RQ3제안된 확장 공간-시간 동기화 그래프 설계가 단기 및 장기 의존성을 효과적으로 포착할 수 있는가?
  • RQ4최신 기술 기준 모델 대비 모델의 효율성과 GPU 메모리 사용량은 어떻게 비교되는가?
  • RQ5강건한 성능을 얻기 위한 최적의 은닉 차원과 그래프 컨볼루션 힙 수는 무엇인가?

주요 결과

  • 모델은 네 개의 실세계 교통 예측 데이터셋에서 최신 기술 대비 약 10%의 상대적 정확도 향상을 달성한다.
  • PEMS04의 경우 평균 시간 연결도가 높아 더 많은 시간 그래프(TGs)를 포함한 학습된 STSGs를 보이며, PEMS08은 더 많은 공간 그래프(SGs)를 포함하여 데이터 특성에 맞는 구조적 적응을 반영한다.
  • 검색 단계 동안 GPU 점유율이 훈련 단계보다 현저히 낮아, 그래프 구조 탐색이 신경망 아키텍처 탐색보다 더 효율적임을 시사한다.
  • 확장 컨볼루션의 활용으로 모델 복잡도가 감소하여 STFGNN 및 STGODE에 비해 효율성이 뛰어나며, GPU 점유율과 소비 시간이 낮게 유지된다.
  • PEMS04의 경우 은닉 차원 48과 최대 힙 수 2, PEMS08의 경우 은닉 차원 48과 최대 힙 수 3에서 최적의 성능을 기록하며, 더 높은 차원이나 힙 수에서는 과적합 현상이 관찰된다.
  • 학습된 STSGs의 시각화 결과는 모델이 데이터 특성에 맞게 그래프 구조를 적응시킴을 확인하며, 공간-시간 상관관계가 강한 지역에서 더 높은 연결성을 가지는 것으로 나타났다.
Figure 2 : Spatio-temporal synchronous graph construction in previous works. (a) is the adjacency matrix in STSGCN and (b) is the adjacency matrix in STFGNN. $SG^{t_{i}}$ and $TG^{t_{i}}$ respectively denote the spatial graph and temporal graph at time step $i$ . $TC^{t_{i}\to t_{j}}$ describes the
Figure 2 : Spatio-temporal synchronous graph construction in previous works. (a) is the adjacency matrix in STSGCN and (b) is the adjacency matrix in STFGNN. $SG^{t_{i}}$ and $TG^{t_{i}}$ respectively denote the spatial graph and temporal graph at time step $i$ . $TC^{t_{i}\to t_{j}}$ describes the

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.