[논문 리뷰] Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting

Jun Fu, Wei Zhou외 1명|arXiv (Cornell University)|2020. 10. 15.

Traffic Prediction and Management Techniques참고 문헌 29인용 수 14

한 줄 요약

이 논문은 도로 네트워크 구조와 교통 데이터를 종합적으로 고려하여 엔드 투 엔드 방식으로 그래프 구조를 공동으로 학습하는 베이지안 스페아오텀포럴 그래프 컨볼루션 네트워크(BSTGCN)를 제안한다. 이는 불확실성을 포착하기 위해 파rametric 생성 모델을 사용한다. BSTGCN은 최신 기술들을 초월하여 로스루프 데이터셋에서 60분 예측 시 최대 3.85% 높은 R² 성능을 기록한다.

ABSTRACT

In traffic forecasting, graph convolutional networks (GCNs), which model traffic flows as spatio-temporal graphs, have achieved remarkable performance. However, existing GCN-based methods heuristically define the graph structure as the physical topology of the road network, ignoring potential dependence of the graph structure over traffic data. And the defined graph structure is deterministic, which lacks investigation of uncertainty. In this paper, we propose a Bayesian Spatio-Temporal Graph Convolutional Network (BSTGCN) for traffic prediction. The graph structure in our network is learned from the physical topology of the road network and traffic data in an end-to-end manner, which discovers a more accurate description of the relationship among traffic flows. Moreover, a parametric generative model is proposed to represent the graph structure, which enhances the generalization capability of GCNs. We verify the effectiveness of our method on two real-world datasets, and the experimental results demonstrate that BSTGCN attains superior performance compared with state-of-the-art methods.

연구 동기 및 목표

• GCN에서 고정된, 지형 기반 그래프 구조의 한계를 해결하여 교통 흐름의 데이터 기반 의존성을 忽시하는 문제를 해결한다.
• 그래프 구조를 확률적 생성 과정으로 모델링하여 불확실성을 도입함으로써 일반화 능력을 향상시킨다.
• 백프로파게이션을 통해 그래프 구조와 GCN 가중치의 공동 최적화를 엔드 투 엔드로 수행하여 예측 정확도를 향상시킨다.
• 정적 도로 연결성 이상의 복잡한 시공간 의존성을 포착하여 장기 교통 예측 성능을 향상시킨다.
• 실제 교통 데이터셋을 대상으로 방법을 검증하여 기존 접근법에 비해 우수성과 강인성을 입증한다.

제안 방법

• 물리적 도로 지형과 관측된 교통 데이터로부터 엔드 투 엔드로 교통 그래프의 인접 행렬을 학습한다.
• 그래프 구조를 파arametric 생성 분포에서 샘플링한 것으로 모델링하여 불확실성 정량화를 가능하게 한다.
• 학습 중에 가장 가능성이 높은 그래프 구조를 도출하기 위해 최대 사후 확률(MAP) 추정을 사용한다.
• 시간적 모델링을 위해 특화된 GRU와 함께 학습된 그래프 구조를 그래프 컨volution 네트워크(GCN)에 통합한다.
• 예측 성능 향상을 위해 생성 모델의 파라미터와 GCN 가중치를 함께 백프로파게이션을 통해 최적화한다.
• 대칭적이지 않으며, 경우에 따라 음수인 관계를 데이터 학습을 통해 허용함으로써, 물리적 지형의 대칭성과는 다름을 반영한다.

실험 결과

연구 질문

• RQ1 고정된 지형 기반 그래프에 비해 데이터 기반으로 학습 가능한 그래프 구조가 교통 예측 정확도를 향상시키는가?
• RQ2 베이지안 생성 모델을 통해 그래프 구조에 불확실성을 통합하면 교통 예측의 일반화 능력이 향상되는가?
• RQ3 그래프 구조와 GCN 가중치를 엔드 투 엔드로 학습하는 방식이 전통적 GCN 방법에 비해 장기 예측에서 어떻게 비교되는가?
• RQ4 모델은 물리적 도로 네트워크에 반영되지 않은 비국소적이고 비직관적인 교통 의존성을 어느 정도 포착할 수 있는가?
• RQ5 GRU 리셋 게이트의 활성화 함수 선택이 다양한 데이터셋에서 성능에 미치는 영향은 어떠한가?

주요 결과

• 로스루프 데이터셋에서 60분 예측 시 BSTGCN은 T-GCN에 비해 R²가 3.85% 높고, A3T-GCN에 비해 2.61% 높다.
• 15분 예측 시 BSTGCN은 T-GCN에 비해 R²가 1.76% 높고, A3T-GCN에 비해 1.57% 높다.
• 학습된 인접 행렬(A_G)은 비대칭적이며, 양수가 아닌 관계를 보이며, 관측된 지형에서 포착되지 않은 복잡한 의존성을 드러낸다.
• 기존 기반 모델에 비해 오차 누적이 더 심각한 장기 예측에서 뛰어난 성능을 보인다.
• GRU 리셋 게이트 활성화 함수를 시그모이드에서 아이덴티티로 전환하면 로스루프 데이터셋에서 성능 향상이 나타나, 데이터셋에 따라 아키텍처 선호도가 다름을 시사한다.
• 더 정적인 SZ-taxi 데이터셋에서는 단순 과거 평균 모델이 잘 작동하지만, BSTGCN 역시 여전히 뚜렷한 성능 우위를 보이며, 특히 장기 예측에서 두각을 나타낸다.