[논문 리뷰] DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting

Kyung‐Eun Lee, Wonjong Rhee|arXiv (Cornell University)|2019. 05. 29.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

DDP-GCN는 거리, 방향성 및 위치 관계를 공간적 종속성으로 통합하는 다중 그래프 컨볼루션 네트워크를 제안한다. 이는 비유클리드적 관계를 그래프 요소와 분할 필터를 통해 모델링함으로써, 특히 정점 시간대에 복잡한 도시 네트워크에서 장기 예측 성능을 크게 향상시킨다.

ABSTRACT

Traffic speed forecasting is one of the core problems in transportation systems. For a more accurate prediction, recent studies started using not only the temporal speed patterns but also the spatial information on the road network through the graph convolutional networks. Even though the road network is highly complex due to its non-Euclidean and directional characteristics, previous approaches mainly focused on modeling the spatial dependencies using the distance only. In this paper, we identify two essential spatial dependencies in traffic forecasting in addition to distance, direction and positional relationship, for designing basic graph elements as the fundamental building blocks. Using the building blocks, we suggest DDP-GCN (Distance, Direction, and Positional relationship Graph Convolutional Network) to incorporate the three spatial relationships into deep neural networks. We evaluate the proposed model with two large-scale real-world datasets, and find positive improvements for long-term forecasting in highly complex urban networks. The improvement can be larger for commute hours, but it can be also limited for short-term forecasting.

연구 동기 및 목표

• 기존 GCN 기반 교통 예측 모델이 공간 종속성을 유일하게 유클리드 거리에 의존하는 데서 비롯하는 한계를 해결한다.
• 비유클리드 공간 종속성인 방향성 및 위치 관계를 식별하고, 교통 예측을 위한 그래프 기반 딥 러닝에 통합한다.
• 방향성 흐름과 공간적 밀도를 포함한 복잡한 도로 네트워크 구조를 효과적으로 인코딩할 수 있는 다중 그래프 컨볼루션 프레임워크를 개발한다.
• 기존 모델이 어려움을 겪는 고도로 복잡한 도시 환경에서 장기 교통 속도 예측 정확도를 향상시킨다.
• 각 공간 종속성의 기여도와 분할 필터와 같은 아키텍처 구성 요소의 영향을 부정성 연구를 통해 조사한다.

제안 방법

• 거리(W_D), 방향성(W_θ), 위치 관계(W_P)를 각각 별개의 그래프 요소로 정의하여 서로 다른 공간 종속성을 표현한다.
• 각 그래프 요소를 독립적으로 처리한 후 스택드 아키텍처를 통해 융합하는 다중 그래프 컨볼루션 네트워크를 구성한다.
• 방향성 및 거리 기반 그래프를 유사한 특성을 지닌 구성 요소로 분할하는 데 사용되는 분할 필터 T_M 및 T'_M을 도입하여 표현 학습을 향상시킨다.
• 메시지 전달을 위해 K다항식 ChebNet를 사용하며, 스택드 다중 그래프 설계로 큰 K-호프 컨볼루션의 필요성을 제거한다.
• 장기적인 시간적 종속성을 포착하기 위해 잔차 연결과 게이트 메커니즘을 적용하여 시간 모델링과 공간 그래프 학습을 통합한다.
• 역사적 속도 시계열을 사용해 엔드 투 엔드 모델을 훈련시키며, 향후 시간 단계에서의 예측 정확도를 최적화한다.

실험 결과

연구 질문

• RQ1 거리 기반 모델링에 비해 비유클리드 공간 종속성인 방향성 및 위치 관계가 교통 속도 예측 정확도에 미치는 영향은 어떠한가?
• RQ2 거리, 방향성, 위치 관계를 별개의 공간 그래프 요소로 사용하는 다중 그래프 컨볼루션은 단일 그래프 또는 K-호프 GCN 기반 모델보다 장기 교통 예측에서 더 우수한 성능을 내는가?
• RQ3 부정성 연구를 통해 각 공간 종속성(거리, 방향성, 위치 관계)이 모델 성능에 기여하는 비율은 어떻게 되는가?
• RQ4 분할 필터는 방향성 도로 네트워크에서 공간 관계 모델링에 어떻게 기여하는가?
• RQ5 특히 장기 예측에서 스택드 다중 그래프 설계가 표준 K-호프 GCN 컨볼루션보다 성능이 뛰어나다는가?

주요 결과

• DDP-GCN는 두 개의 대규모 실생활 도시 네트워크 데이터셋에서 장기 교통 속도 예측 성능을 크게 향상시켰으며, 특히 출퇴근 정점 시간대에 뚜렷한 개선 효과를 보였다.
• 부정성 연구 결과, 위치 관계 그래프 요소를 제거할 경우 성능 저하가 가장 크게 발생하여, 이 요소가 공간 종속성 모델링에서 핵심적인 역할을 한다는 것을 시사한다.
• 방향성 또는 위치 관계 그래프 요소를 거리 기반 그래프로 대체할 경우 성능 저하가 발생하여, 거리만으로는 복잡한 도시 네트워크에 대해 충분하지 않다는 것을 확인하였다.
• 분할 필터의 사용은 일관되게 모델 성능을 향상시켜, 공간 그래프 표현을 정교하게 만드는 데 효과적임을 입증하였다.
• DDP-GCN(Stacked)는 K-호프 GCN 모델조차도 더 큰 K 값을 사용할 경우에도 성능에서 열등하지 않으며, 이는 K-호프를 늘리는 것보다 별개의 공간 그래프 요소를 스택하는 것이 더 효과적임을 시사한다.
• 단기 예측에서는 성능 향상이 제한적이므로, 본 모델의 주요 이점은 복잡한 도시 도로 네트워크에서 장거리 공간적 및 시간적 종속성을 효과적으로 모델링하는 데 있음을 시사한다.