[논문 리뷰] Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network

Xiaoyu Wang, Cailian Chen외 4명|arXiv (Cornell University)|2018. 11. 02.

Traffic Prediction and Management Techniques참고 문헌 15인용 수 38

한 줄 요약

이 논문은 도시 교통 흐름을 모델링하기 위해 공간-시간 전파 패턴을 포착하는 Linkage Network를 사용하는 새로운 프레임워크인 그래프 순환 신경망(GRNN)을 제안한다. 순환 전파를 통해 전역 그래프 정보를 활용함으로써 GRNN는 계산 복잡도를 O(nm)에서 O(n+m)로 감소시키면서도 높은 정확도의 교통 예측을 달성하며, 실세계 상하이 택시 데이터에서 기존 방법들을 능가한다.

ABSTRACT

Traffic prediction is a fundamental and vital task in Intelligence Transportation System (ITS), but it is very challenging to get high accuracy while containing low computational complexity due to the spatiotemporal characteristics of traffic flow, especially under the metropolitan circumstances. In this work, a new topological framework, called Linkage Network, is proposed to model the road networks and present the propagation patterns of traffic flow. Based on the Linkage Network model, a novel online predictor, named Graph Recurrent Neural Network (GRNN), is designed to learn the propagation patterns in the graph. It could simultaneously predict traffic flow for all road segments based on the information gathered from the whole graph, which thus reduces the computational complexity significantly from O(nm) to O(n+m), while keeping the high accuracy. Moreover, it can also predict the variations of traffic trends. Experiments based on real-world data demonstrate that the proposed method outperforms the existing prediction methods.

연구 동기 및 목표

• 높은 계산 복잡도를 견인하면서도 높은 정확도를 유지하는 도시 교통 예측의 과제를 해결한다.
• 기존 방법들이 도로 네트워크 내 전역 공간-시간 의존성을 忽시하는 한계를 극복한다.
• 표준 시계열 또는 격자 기반 접근 방식이 충분히 모델링하지 못하는 비균일한 전파 기반 교통 변동 패턴을 포착한다.
• 전체 네트워크 구조를 동시에 학습하는 확장 가능하고 전역적으로 동기화된 예측 모델을 설계한다.

제안 방법

• 기존의 간선을 대체하여 교통 흐름의 전파 패턴을 인코딩하는 링크리지(linkage)를 포함하는 새로운 위상적 구조인 Linkage Network를 도입한다.
• Linkage Network를 따라 은닉 상태를 전파하는 그래프 기반 순환 신경망인 GRNN를 설계한다. 이는 실제 교통 흐름의 동역학을 시뮬레이션한다.
• 예측 작업을 과거 교통 상태에서 미래 상태로의 전역 맵으로 설정함으로써, 모든 도로 세그먼트에 동시에 예측을 수행할 수 있도록 한다.
• GRNN의 학습 알고리즘을 도출하여 계산 효율성을 보장하며, 이론적으로 복잡도가 O(nm)이 아니라 O(n + m)임을 증명한다.
• GRNN의 전파 모듈을 통해 연결된 도로 세그먼트를 따라 교통이 어떻게 확산되는지 모방함으로써 공간적 및 시간적 의존성을 포착한다.
• 상하이의 실세계 택시 궤적 데이터를 사용하여 GRNN를 엔드 투 엔드로 훈련시키며, MSE 및 VD(변동 지연) 지표를 최적화한다.

실험 결과

연구 질문

• RQ1 명시적으로 교통 전파 패턴을 포착하는 그래프 구조 모델이 도시 지역의 예측 정확도를 향상시킬 수 있는가?
• RQ2 전역 교통 예측 모델의 계산 복잡도는 전통적인 국소 예측 방법과 비교해 네트워크 크기에 따라 어떻게 변화하는가?
• RQ3 GRNN는 기준 모델보다 얼마나 정확하고 빠르게 급격한 교통 추세 변화(예: 정체 정점)를 추적할 수 있는가?
• RQ4 재정의된 네트워크 위상 구조를 통해 전역 그래프 수준의 정보를 통합하면 국소 또는 격자 기반 모델보다 더 나은 일반화 성능을 달성할 수 있는가?

주요 결과

• GRNN는 실세계 상하이 택시 데이터에서 GBDT, SVR, ARIMA 등 다섯 가지 기준 모델보다 유의미하게 낮은 예측 오차(MSE)를 기록한다.
• GRNN는 교통 정점 예측에 최소한의 단계 지연를 보이며, 특히 시간 지연가 지속적인 GBDT에 비해 뛰어난 성능을 보인다.
• 다양한 그래프 크기(n = 1, 10, 156)에서 실행 시간이 약 180초로 거의 일정하게 유지되며, 이는 O(n + m) 복잡도를 확인하고 이론적 효율성 향상을 검증한다.
• 더 큰 부분 그래프 스케일에서 정확도가 향상됨을 통해 GRNN가 그래프 구조에서 전파 패턴을 효과적으로 학습하고 활용하고 있음을 시사한다.
• n = 156일 때 정확도 저하의 원인은 과도한 부분 그래프 정보로 인한 과적합 또는 노이즈 때문이며, 이는 모델 용량과 데이터 품질 간의 균형 조절이 중요함을 시사한다.
• 전역적이고 동기화된 예측 메커니즘 덕분에 GRNN는 갑작스러운 정체 발생과 같은 동적 교통 추세를 뛰어난 능력으로 추적한다.