[논문 리뷰] Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) for Vehicle Condition Prediction

Mingming Lu, Kunfang Zhang외 2명|arXiv (Cornell University)|2019. 03. 12.

Traffic Prediction and Management Techniques참고 문헌 27인용 수 4

한 줄 요약

이 논문은 공간적 특징 추출을 위해 그래프 컬러션 네트워크(GCN)를, 시간적 모델링을 위해 게이트드 순환 단위(GRU)를, 계층적 도로 네트워크 구조를 포착하기 위해 학습 가능한 풀링을 통합한 새로운 그래프 신경망 GHCRNN을 제안한다. 모델은 계산 복잡도와 노이즈를 감소시키면서도 대규모 도시 네트워크에서 차량 유량과 속도 예측 정확도를 향상시킨다. Shenzhen 및 Los Angeles 데이터셋에서 기준 모델 대비 더 낮은 시간 및 메모리 소비로 검증되었다.

ABSTRACT

The prediction of urban vehicle flow and speed can greatly facilitate people's travel, and also can provide reasonable advice for the decision-making of relevant government departments. However, due to the spatial, temporal and hierarchy of vehicle flow and many influencing factors such as weather, it is difficult to prediction. Most of the existing research methods are to extract spatial structure information on the road network and extract time series information from the historical data. However, when extracting spatial features, these methods have higher time and space complexity, and incorporate a lot of noise. It is difficult to apply on large graphs, and only considers the influence of surrounding connected road nodes on the central node, ignoring a very important hierarchical relationship, namely, similar information of similar node features and road network structures. In response to these problems, this paper proposes the Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) model. The model uses GCN (Graph Convolutional Networks) to extract spatial feature, GRU (Gated Recurrent Units) to extract temporal feature, and uses the learnable Pooling to extract hierarchical information, eliminate redundant information and reduce complexity. Applying this model to the vehicle flow and speed data of Shenzhen and Los Angeles has been well verified, and the time and memory consumption are effectively reduced under the compared precision.

연구 동기 및 목표

• 복잡한 공간적, 시간적, 계층적 종속성을 포함한 도로 네트워크에서 도시 내 차량 유량과 속도를 예측하는 데 도전하는 것.
• 지역 이웃 집합 초과의 계층적 구조 학습을 통합하여 공간적 특징 추출의 계산 복잡도와 노이즈를 감소시키는 것.
• 도로 세그먼트 간 국소적 연결성과 전반적 구조 유사성을 모두 모델링하여 대규모 도로 네트워크에서의 예측 성능을 향상시키는 것.
• 교통 조건 예측을 위한 통합된 딥 러닝 프레임워크에서 공간적, 시간적, 계층적 표현을 통합하는 것.
• Shenzhen 및 Los Angeles의 실세계 교통 데이터셋에서 모델의 효과성과 효율성을 검증하는 것.

제안 방법

• 모델은 도로 네트워크의 토폴로지에서 공간적 특징을 추출하기 위해 그래프 컬러션 네트워크(GCN)를 사용하여 연결된 도로 세그먼트 간의 관계를 포착한다.
• 기존의 역사적 차량 유량과 속도 데이터의 시간 단계 간 시간적 종속성을 모델링하기 위해 게이트드 순환 단위(GRU)를 사용한다.
• 노드 특징을 계층적으로 집계하기 위해 학습 가능한 풀링 메커니즘을 도입하여 중복을 줄이고 공간적 및 시간적 복잡도를 낮춘다.
• 계층적 풀링 연산은 구조적 및 특징 유사성 있는 도로 노드 그룹을 식별하고 유지함으로써 표현 학습을 향상시킨다.
• GCN 및 GRU 구성 요소는 순차적으로 스택되며, 계층적 풀링 레이어는 이들 사이에 적용되어 시간 모듈의 입력을 정제한다.
• 전체 아키텍처는 향후 차량 유량과 속도를 예측하기 위해 평균 제곱 오차 손실을 사용하여 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 도로 네트워크의 계층적 구조적 관계는 어떻게 효과적으로 모델링할 수 있으며, 이는 교통 예측을 향상시킬 수 있는가?
• RQ2 학습 가능한 풀링은 대규모 교통 그래프에서 중요한 공간 정보를 유지하면서도 계산 복잡도를 줄일 수 있는가?
• RQ3 기본 GCN-RNN 모델에 비해 계층적 특징 학습 통합이 예측 정확도를 향상시키는가?
• RQ4 실세계 교통 데이터에서 기존 방법에 비해 GHCRNN은 예측 정확도와 효율성 측면에서 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 다양한 도시의 도로 네트워크 구조와 교통 패턴 변화에 대해 모델의 강건성은 어느 정도인가?

주요 결과

• GHCRNN은 Shenzhen 및 Los Angeles 데이터셋 양측에서 기준 모델 대비 더 높은 차량 유량과 속도 예측 정확도를 달성한다.
• 계층적 풀링 메커니즘이 중복 정보를 제거함으로써 시간 및 메모리 소비가 크게 감소한다.
• 계층적 특징 학습 통합은 대규모 도로 네트워크에서의 일반화 및 강건성 향상에 기여한다.
• 학습 가능한 풀링 레이어는 도로 세그먼트 간의 구조적 유사성을 효과적으로 포착하여 관련 없는 연결으로 인한 노이즈를 줄인다.
• 모델은 다양한 도시 환경에서 뛰어난 성능을 보이며, 확장성과 적응 가능성의 타당성을 입증한다.
• 실험 결과 GHCRNN은 정확도 및 효율성 지표 양면에서 표준 GCN-RNN 아키텍처를 뛰어넘는 성능을 보였다.