[논문 리뷰] Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting

Yaguang Li, Rose Yu외 2명|arXiv (Cornell University)|2017. 07. 06.

Traffic Prediction and Management Techniques참고 문헌 22인용 수 503

한 줄 요약

DCRNN을 소개하며, 방향 도로 그래프에 대한 확산 기반 그래프 컨볼루션과 확산 GRU 및 시퀀스-투-시퀀스 학습(스케줄 샘플링 포함)을 결합한 DCRNN을 도입하여 교통 속도를 예측하고, 실제 데이터 세트에서 베이스라인보다 우수한 성능을 보인다.

ABSTRACT

Spatiotemporal forecasting has various applications in neuroscience, climate and transportation domain. Traffic forecasting is one canonical example of such learning task. The task is challenging due to (1) complex spatial dependency on road networks, (2) non-linear temporal dynamics with changing road conditions and (3) inherent difficulty of long-term forecasting. To address these challenges, we propose to model the traffic flow as a diffusion process on a directed graph and introduce Diffusion Convolutional Recurrent Neural Network (DCRNN), a deep learning framework for traffic forecasting that incorporates both spatial and temporal dependency in the traffic flow. Specifically, DCRNN captures the spatial dependency using bidirectional random walks on the graph, and the temporal dependency using the encoder-decoder architecture with scheduled sampling. We evaluate the framework on two real-world large scale road network traffic datasets and observe consistent improvement of 12% - 15% over state-of-the-art baselines.

연구 동기 및 목표

• 비유클리드적이고 방향성 공간 의존성을 가진 도로 네트워크에서 시공간 교통 예측의 필요성을 제시한다.
• 확산 컨볼루션을 사용하여 방향 그래프의 공간 관계를 확산 과정으로 모델링한다.
• 인코더-디코더 프레임워크 내에서 확산 컨볼루션 GRU를 통해 시계열 동적 특성을 포착한다.
• 스케줄 샘플링을 통해 장기 예측 성능을 향상시킨다.
• 대규모 실제 교통 데이터셋에서 우수한 성능을 입증한다.

제안 방법

• 도로 센서를 나타내는 가중 방향 그래프에서 교통 예측を 정의한다.
• K단계의 양방향 랜덤 워크를 통해 공간 의존성을 포착하기 위해 확산 컨볼루션을 개발한다.
• 표준 GRU 곱셈을 확산 컨볼루션으로 대체하여 DCGRU를 구성한다.
• 다중 단계 예측을 위해 DCGRU 유닛을 갖춘 인코더-디코더 시퀀스-투-시퀀스 구조를 사용한다.
• 훈련과 테스트 분포를 일치시키기 위해 스케줄 샘플링을 도입한다.
• 향후 시계열의 가능도(likelihood)를 최대화하도록 엔드투엔드로 학습한다.

실험 결과

연구 질문

• RQ1 방향 그래프에서의 확산 컨볼루션이 교통 네트워크의 공간 의존성을 효과적으로 포착할 수 있는가?
• RQ2 확산 컨볼루션을 재귀적 시퀀스-투-시퀀스 모델링과 결합하면 단기 및 장기 교통 예측이 향상되는가?
• RQ3 양방향 확산과 스케줄 샘플링이 예측 정확도에 미치는 영향은 무엇인가?
• RQ4 실제 도로 네트워크에서 DCRNN이 비방향 그래프 또는 ChebNet 기반 그래프 컨볼루션에 비해 어떤 성능을 보이는가?

주요 결과

• DCRNN은 METR-LA 및 PEMS-BAY 데이터셋에서 예측 지평선 전반에 걸쳐 일관되게 최고 성능을 달성한다.
• 양방향 확산은 단방향 확산이나 확산이 없는 경우보다 예측 정확도를 향상시킨다.
• 확산 필터 폭(K)과 유닛 수를 늘리면 어느 정도까지는 오차를 줄이지만, 어느 시점 이후에는 이득이 포화된다.
• 스케줄 샘플링을 갖춘 인코더-디코더는 다중 단계 예측에서 오차 전파를 감소시킨다.
• 방향 그래프 모델링은 트래픽 데이터에 대해 비방향 그래프 방법(예: ChebNet 기반 GCRNN)보다 우수한 성능을 보인다.
• DCGRU 기반의 시간 모델링은 기존 DCNN 및 비시간적 기준선보다 우수하며, 특히 더 긴 지평선에서 두드러진다.