[논문 리뷰] Dynamic Spatio-temporal Graph-based CNNs for Traffic Prediction

Ken Chen, Fei Chen외 9명|arXiv (Cornell University)|2018. 12. 05.

Traffic Prediction and Management Techniques참고 문헌 28인용 수 29

한 줄 요약

이 논문은 요소 분해 그래프 컨볼루션을 사용하여 동적 교통 그래프 구조와 시공간 유량 패턴을 함께 모델링하는 두 개의 스트림으로 구성된 동적 시공간 그래프 기반 CNN(DST-GCNNs)을 제안한다. 이 방법은 정적 그래프 모델에 비해 변화하는 교통 의존성과 예측 정확도를 향상시켜 METR-LA, TaxiBJ, CD-HW 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Forecasting future traffic flows from previous ones is a challenging problem because of their complex and dynamic nature of spatio-temporal structures. Most existing graph-based CNNs attempt to capture the static relations while largely neglecting the dynamics underlying sequential data. In this paper, we present dynamic spatio-temporal graph-based CNNs (DST-GCNNs) by learning expressive features to represent spatio-temporal structures and predict future traffic flows from surveillance video data. In particular, DST-GCNN is a two stream network. In the flow prediction stream, we present a novel graph-based spatio-temporal convolutional layer to extract features from a graph representation of traffic flows. Then several such layers are stacked together to predict future flows over time. Meanwhile, the relations between traffic flows in the graph are often time variant as the traffic condition changes over time. To capture the graph dynamics, we use the graph prediction stream to predict the dynamic graph structures, and the predicted structures are fed into the flow prediction stream. Experiments on real datasets demonstrate that the proposed model achieves competitive performances compared with the other state-of-the-art methods.

연구 동기 및 목표

• 기존 그래프 기반 CNN에서 정적 그래프 구조의 한계를 해결하기 위해 시간에 따라 변화하는 교통 의존성을 포착하지 못하는 문제를 해결한다.
• 교통 유량 데이터의 공간 상관관계와 시간 동적 변화를 함께 모델링하는 통합된 딥러닝 프레임워크를 개발한다.
• 시공간 컨volution 특징 추출과 동적 그래프 학습을 통합하여 장기 교통 유량 예측 정확도를 향상시킨다.
• 실세계 감시 영상 및 택시 경로 데이터셋을 통해 제안된 모델의 효과성을 검증한다.

제안 방법

• 공간적 및 시간적 차원에 걸쳐 컨볼루션을 분해하여 계산량을 줄이고 병렬 처리를 가능하게 하는 새로운 시공간 그래프 기반 컨볼루션 레이어를 도입한다.
• 두 스트림 아키텍처를 활용한다: 스택된 그래프 컨볼루션 레이어를 사용하는 유량 예측 스트림과 시간에 따라 변화하는 그래프 구조를 학습하는 그래프 예측 스트림.
• 예측된 동적 그래프 구조를 유량 예측 스트림의 입력으로 사용하여 변화하는 교통 관계를 적응적으로 모델링한다.
• 장기 예측을 두 단계의 단기 예측으로 분해하는 이중 예측 전략을 적용하여 안정성과 정확도를 향상시킨다.
• 다양한 도시 교통 환경에서의 훈련 및 평가를 위해 실세계 교통 감시 영상 및 택시 경로 데이터를 활용한다.
• 다양한 데이터셋과 예측 수준에서 정량적 평가를 위해 표준 지표(MAE, RMSE, MAPE)를 사용한다.

실험 결과

연구 질문

• RQ1 정적 그래프를 사용하는 모델에 비해 동적 그래프 구조와 시공간 유량 패턴을 함께 학습하는 딥러닝 모델이 교통 예측 정확도를 향상시킬 수 있는가?
• RQ2 그래프 예측 스트림의 통합이 시간에 따라 변화하는 교통 의존성을 포착하는 데 모델의 능력에 어떤 영향을 미치는가?
• RQ3 장기 예측 성능을 향상시키기 위해 이중 예측 전략이 직접적인 장기 예측에 비해 어느 정도 개선 효과를 보이는가?
• RQ4 다양한 실세계 데이터셋과 예측 수준에서 DST-GCNN은 DCRNN 및 STGCN과 같은 최신 기술 수준의 방법들과 비교해 어떤가?
• RQ5 정점 시간대 및 혼잡도 전파와 같은 다양한 교통 조건에서도 모델이 강건한 성능을 유지하는가?

주요 결과

• METR-LA 데이터셋에서 DST-GCNN은 모든 예측 수준과 지표에서 모든 베이스라인 방법을 압도하며, 단기 및 장기 예측 모두에서 일관된 우수성을 보였다.
• TaxiBJ 데이터셋에서 DST-GCNN은 한 단계 예측에서 가장 낮은 RMSE(12.62)와 MAPE(13.27%)를 기록하여 FC-LSTM, DCRNN, FCCF를 모두 능가했다.
• CD-HW 데이터셋에서 DST-GCNN은 30분 예측 수준에서 최고 성능을 기록했으며, RMSE가 10.18로 DCRNN(12.10 RMSE)과 STGCN(11.77 RMSE)을 모두 앞섰다.
• 정성적 분석 결과, DST-GCNN은 DCRNN가 급격한 변화를 추적하지 못하는 것에 비해 오전 및 저녁 피크 시간대의 시작과 끝을 더 잘 포착했다.
• 모델가 동적 그래프 구조를 학습함으로써 오차 전파를 줄이고 네트워크 전반에 걸친 교통 추세 전파를 더 잘 모델링할 수 있었다.
• 이중 예측 전략은 장기 예측을 다룰 수 있는 단기 예측 단계로 분해함으로써 정확도와 안정성 향상에 기여했다.