[논문 리뷰] Graph Markov Network for Traffic Forecasting with Missing Data

Zhiyong Cui, Longfei Lin외 2명|arXiv (Cornell University)|2019. 12. 10.

Traffic Prediction and Management Techniques참고 문헌 35인용 수 7

한 줄 요약

이 논문은 교통 예측에서 누락된 데이터를 처리하기 위해 교통 상태 전이를 그래프 마르코프 과정으로 모델링하는 새로운 딥러닝 프레임워크인 그래프 마르코프 네트워크(GMN)와 스펙트럴 그래프 마르코프 네트워크(SGMN)를 제안한다. 그래프 구조와 스펙트럴 컨볼루션을 통해 공간-시간 의존성을 활용함으로써, 최대 20퍼센트의 누락 데이터율을 가진 실세계 데이터셋에서 최신 기술 수준의 정확성과 효율성을 달성한다.

ABSTRACT

Traffic forecasting is a classical task for traffic management and it plays an important role in intelligent transportation systems. However, since traffic data are mostly collected by traffic sensors or probe vehicles, sensor failures and the lack of probe vehicles will inevitably result in missing values in the collected raw data for some specific links in the traffic network. Although missing values can be imputed, existing data imputation methods normally need long-term historical traffic state data. As for short-term traffic forecasting, especially under edge computing and online prediction scenarios, traffic forecasting models with the capability of handling missing values are needed. In this study, we consider the traffic network as a graph and define the transition between network-wide traffic states at consecutive time steps as a graph Markov process. In this way, missing traffic states can be inferred step by step and the spatial-temporal relationships among the roadway links can be Incorporated. Based on the graph Markov process, we propose a new neural network architecture for spatial-temporal data forecasting, i.e. the graph Markov network (GMN). By incorporating the spectral graph convolution operation, we also propose a spectral graph Markov network (SGMN). The proposed models are compared with baseline models and tested on three real-world traffic state datasets with various missing rates. Experimental results show that the proposed GMN and SGMN can achieve superior prediction performance in terms of both accuracy and efficiency. Besides, the proposed models' parameters, weights, and predicted results are comprehensively analyzed and visualized.

연구 동기 및 목표

• 센서 고장이나 프로브 차량 갭으로 인한 실시간 예측에서 교통 데이터 누락 문제를 해결하기 위해.
• 기존 모델이 교통을 多변량 시계열로 간주하고 공간 네트워크 구조를 忽시하는 한계를 극복하기 위해.
• 공간-시간 의존성과 누락 데이터 처리를 내재적으로 포함하는 신경망 아키텍처를 개발하기 위해.
• 네트워크 내 링크 간 교통 상태 전이를 모델링하기 위해 그래프 마르코프 과정을 제안하기 위해.
• 다양한 누락 데이터 비율을 가진 실세계 데이터셋에서 정확성과 효율성 면에서 뛰어난 성능을 입증하기 위해.

제안 방법

• 도로 링크 간의 위상적 관계를 갖는 그래프로 교통 네트워크를 모델링하기 위해.
• 연속된 시간 단계 간의 교통 상태 전이를 마르코프 성질과 국소화 성질을 활용한 그래프 마르코프 과정으로 정의하기 위해.
• 누락된 값이 있는 교통 상태를 예측하기 위해 그래프 마르코프 과정에 기반한 그래프 마르코프 네트워크(GMN)를 설계하기 위해.
• 더 나은 특징 학습을 위해 GMN에 스펙트럴 그래프 컨볼루션을 통합하여 스펙트럴 그래프 마르코프 네트워크(SGMN)를 개발하기 위해.
• 인접 행렬과 학습 가능한 가중치 행렬을 사용하여 공간적 영향을 모델링하고, 가중치 행렬 시각화를 통해 노드 수준의 영향을 분석하기 위해.
• 임의의 누락 데이터 시나리오 하에서 세 개의 실세계 데이터셋(PEMS-BAY, METR-LA, INRIX-SEA)에 대해 모델을 훈련하고 평가하기 위해.

실험 결과

연구 질문

• RQ1 교통 상태 전이를 그래프 마르코프 과정으로 모델링하는 것이 교통 예측에서 누락된 데이터를 효과적으로 처리하는 데 유용한가?
• RQ2 누락된 데이터 상황에서 제안된 GMN 아키텍처가 기존의 RNN 기반 모델에 비해 정확성과 효율성 면에서 어떻게 비교되는가?
• RQ3 도로 링크 간의 공간적 관계는 누락된 값이 존재하는 상황에서 예측 성능 향상에 어느 정도 기여하는가?
• RQ4 SGMN에 스펙트럴 그래프 컨볼루션을 통합함으로써 특징 표현과 예측 정확도는 어떻게 향상되는가?
• RQ5 모델 가중치에 의해 드러나는 개별 센서의 공간적 영향 패턴은 어떠한가?

주요 결과

• 제안된 GMN 및 SGMN 모델은 누락된 데이터가 있는 세 개의 실세계 데이터셋에서 기준 모델에 비해 정확성과 효율성 면에서 뛰어난 예측 성능을 달성한다.
• INRIX-SEA 데이터셋에서 SGMN이 GMN를 초월하는 성능을 보이며, 복잡한 교통 네트워크에서 스펙트럴 그래프 컨볼루션의 유용성을 입증한다.
• 20퍼센트의 누락 데이터율에서도 강력한 성능 유지를 보이며, 데이터 손상에 대한 강건성을 입증한다.
• 가중치 행렬의 시각화 결과, 교통 상태는 특히 교차로 근처에서 주로 인접 링크에 의해 가장 강하게 영향을 받는 것으로 나타났다.
• 가중치 분석을 통해 도출된 상위 20개의 영향력 있는 센서 위치는 대부분 교차로 근처에 분포해 있어, 영향력의 공간적 군집화를 확인한다.
• 예측 잔차와 시각화 결과, GMN-10 및 SGMN-10 모두 주중 동안 실제 속도 값과 거의 일치하며 최소한의 편차를 보였다.