[논문 리뷰] Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data

Rui Dai, Shenkun Xu외 3명|arXiv (Cornell University)|2020. 06. 23.

Traffic Prediction and Management Techniques참고 문헌 23인용 수 13

한 줄 요약

이 논문은 온라인 내비게이션 시스템에서 제공하는 향후 교통량 데이터를 통합함으로써 교통 예측 성능을 향상시키는 하이브리드 스페아오테미포럴 그래프 컨볼루션 네트워크인 H-STGCN을 제안한다. 의도된 교통량을 동등한 이동 시간으로 변환하는 도메인 특화 트랜스포머와 실제 교통 근접성을 모델링하는 복합 인접 행렬을 사용함으로써, H-STGCN은 비정상적인 혼잡 상황에 특히 뛰어난 예측 정확도를 확보하며, 실제 데이터셋에서 최신 기술보다 뛰어난 성능을 보인다.

ABSTRACT

Traffic forecasting has recently attracted increasing interest due to the popularity of online navigation services, ridesharing and smart city projects. Owing to the non-stationary nature of road traffic, forecasting accuracy is fundamentally limited by the lack of contextual information. To address this issue, we propose the Hybrid Spatio-Temporal Graph Convolutional Network (H-STGCN), which is able to "deduce" future travel time by exploiting the data of upcoming traffic volume. Specifically, we propose an algorithm to acquire the upcoming traffic volume from an online navigation engine. Taking advantage of the piecewise-linear flow-density relationship, a novel transformer structure converts the upcoming volume into its equivalent in travel time. We combine this signal with the commonly-utilized travel-time signal, and then apply graph convolution to capture the spatial dependency. Particularly, we construct a compound adjacency matrix which reflects the innate traffic proximity. We conduct extensive experiments on real-world datasets. The results show that H-STGCN remarkably outperforms state-of-the-art methods in various metrics, especially for the prediction of non-recurring congestion.

연구 동기 및 목표

• 비정상적인 교통 패턴에 대한 맥락 정보가 부족한 데이터 기반 교통 예측 모델의 한계를 해결하기 위해.
• 온라인 내비게이션 엔진에서 제공하는 향후 교통량 데이터를 통합함으로써 비정상적 혼잡 상황에 대한 예측 정확도를 향상시키기 위해.
• 기존의 거리 감쇠 인접 행렬보다 도로 네트워크 내 공간적 의존성을 더 현실적으로 모델링하기 위해.
• 역사적 이동 시간과 향후 교통량과 같은 이질적인 신호를 통합하는 다중 모odal 딥 러닝 프레임워크를 개발하기 위해.

제안 방법

• 교통 이론에서의 조각별 선형 유량-밀도 관계를 이용해 내비게이션 시스템에서 제공하는 의도된 교통량을 동등한 이동 시간으로 변환하는 도메인 트랜스포머를 설계하였다.
• 실제 교통 근접성을 반영하기 위해 이동 시간의 공간 감쇠와 시간적 공분산을 조합한 복합 인접 행렬을 사용하는 그래프 컨볼루션을 적용하였다.
• 공유된 컨볼루션을 통한 시간 특징 추출과 복합 인접 행렬 기반 그래프 컨볼루션을 통한 공간적 의존성 모델링을 융합하는 하이브리드 아키텍처를 채택하였다.
• 실제 교통 데이터에서 엔드 투 엔드로 훈련되며, 예측 지연 시간을 최소화하기 위해 네트워크를 하위 네트워크로 분할하여 추론을 최적화하였다.
• 유량-시간 변환기에는 두 개의 연결된 구성 요소가 포함되어 있으며, 하나는 일반적인 삼각형 형태의 유량-밀도 관계를 반영하고, 다른 하나는 구간별 용량과 유량 특성을 모델링한다.
• 복합 인접 행렬은 공간 감쇠 항과 이동 시간의 역사적 공분산 행렬을 조합하여 실제 교통 전파 패턴을 더 잘 반영하도록 구성된다.

실험 결과

연구 질문

• RQ1 온라인 내비게이션 시스템에서 제공하는 향후 교통량 데이터가 딥 러닝 기반 교통 예측 모델의 정확도를 향상시킬 수 있는가?
• RQ2 이질적인 교통량 데이터를 어떻게 효과적으로 의미 있는 신호로 변환하여 이동 시간 예측에 활용할 수 있는가?
• RQ3 공간 감쇠와 시간적 공분산을 모두 포함한 복합 인접 행렬이 전통적인 거리 기반 인접 행렬보다 교통 근접성을 더 잘 모델링하는가?
• RQ4 제안된 H-STGCN 모델이 최신 기술 대비 비정상적 혼잡 상황의 예측 성능을 얼마나 향상시키는가?
• RQ5 유량-밀도 관계와 같은 물리 기반 지식을 데이터 기반 딥 러닝 프레임워크에 효과적으로 통합할 수 있는가?

주요 결과

• H-STGCN은 다양한 지표에서 최신 기술 대비 뚜렷한 성능 향상을 보이며, 특히 비정상적 혼잡 상황 예측에서 뛰어난 성능을 기록한다.
• 이deal한 향후 교통량 데이터가 제공될 경우, H-STGCN는 역사적 기준 없이도 최대 30분 전에 혼잡을 예측할 수 있다.
• 모델의 추론 시간은 예측당 100ms 이내로 유지되어, 도로 네트워크를 하위 네트워크로 분할할 경우 실시간 구동이 가능하다.
• 복합 인접 행렬은 전통적인 거리 감쇠 행렬보다 공간 모델링 성능이 뛰어나며, 직관에 어긋나는 교통 전파 패턴을 잘 포착한다.
• 도메인 트랜스포머는 원시 교통량을 의미 있는 시간 등가 신호로 효과적으로 변환하여, 혼잡이 발생하기 전에 이를 예측할 수 있도록 한다.
• 실제 데이터셋을 대상으로 한 실험 결과, H-STGCN는 단기 및 장기 예측 수준에서 벤치마크를 모두 초월하며, 특히 도전적인 비정상적 혼잡 상황에서 가장 두드러진 성능 향상을 보였다.