[논문 리뷰] ISTD-GCN: Iterative Spatial-Temporal Diffusion Graph Convolutional Network for Traffic Speed Forecasting

Yi Xie, Yun Xiong외 1명|arXiv (Cornell University)|2020. 08. 10.

Traffic Prediction and Management Techniques참고 문헌 23인용 수 8

한 줄 요약

ISTD-GCN는 공간 및 시간 교통 속도 특징을 양차원에서 반복적인 정보 확산을 통해 동시에 모델링하는 새로운 그래프 컨볼루션 네트워크를 제안하며, 예측 정확도를 크게 향상시킨다. 두 개의 실세계 데이터셋에서 10개의 베이스라인을 초월하여 교차 차원 간 의존성을 더 잘 포착함으로써 성능을 향상시킨다.

ABSTRACT

Most of the existing algorithms for traffic speed forecasting split spatial features and temporal features to independent modules, and then associate information from both dimensions. However, features from spatial and temporal dimensions influence mutually, separated extractions isolate such dependencies, and might lead to inaccurate results. In this paper, we incorporate the perspective of information diffusion to model spatial features and temporal features synchronously. Intuitively, vertices not only diffuse information to the neighborhood but also to the subsequent state along with the temporal dimension. Therefore, we can model such heterogeneous spatial-temporal structures as a homogeneous process of diffusion. On this basis, we propose an Iterative Spatial-Temporal Diffusion Graph Convolutional Network (ISTD-GCN) to extract spatial and temporal features synchronously, thus dependencies between both dimensions can be better modeled. Experiments on two traffic datasets illustrate that our ISTD-GCN outperforms 10 baselines in traffic speed forecasting tasks. The source code is available at https://github.com/Anonymous.

연구 동기 및 목표

• 공간적 및 시간적 특징을 별도로 처리함으로써 교차 차원 간 의존성이 손실되는 기존 교통 속도 예측 모델의 한계를 해결한다.
• 공간적 및 시간적 특징을 상호 의존성을 유지하는 정보 확산의 통합 과정으로 모델링한다.
• 이질적인 공간-시간 그래프에서 반복적인 확산을 통해 공간적 및 시간적 패턴을 동시에 추출하는 통합 프레임워크를 개발한다.
• 이질적 공간-시간 그래프(HSTG), 이중 단계 컨볼루션, 반복 전략의 세 가지 신규 구성 요소를 통합하여 예측 성능을 향상시킨다.
• 10개의 최신 기술 베이스라인과 비교하여 실세계 교통 속도 데이터셋에서 뛰어난 성능을 입증한다.

제안 방법

• 도로 네트워크를 표현하기 위해 정점이 도로 세그먼트이고 간선이 공간적 및 시간적 관계를 인코딩하는 이질적 공간-시간 그래프(HSTG)를 구축한다.
• HSTG에서 공간적 및 시간적 확산 경로를 별도로 처리하기 위해 이중 단계 컨볼루션을 적용하여 독립적이지만 동기화된 특징 학습을 가능하게 한다.
• 공간적 및 시간적 차원을 단계적으로 연결하여 정보를 전파함으로써 다중 스텝에 걸쳐 예측을 정밀하게 개선하는 반복 전략을 구현한다.
• 그래프 컨볼루션 레이어를 사용하여 HSTG를 따라 정보를 전파하며, 교통 흐름을 공간과 시간에 걸쳐 확산 과정으로 모델링한다.
• 반복적인 확산 단계의 출력을 통합하여 시간적 일관성과 공간적 일관성을 향상시킨 최종 교통 속도 예측을 생성한다.
• 손실 함수로 평균 절대 오차(MAE)와 근본 평균 제곱 오차(RMSE)를 사용하여 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 공간적 및 시간적 특징을 통합된 확산 과정을 통해 모델링할 경우, 별도로 처리하는 것보다 교통 속도 예측 정확도가 향상되는가?
• RQ2 제안된 구성 요소인 HSTG, 이중 단계 컨볼루션, 반복 전략이 공간-시간 모델링 성능 향상에 기여하는 방식은 무엇인가?
• RQ3 동기화된 확산 방식이 순차적 또는 독립적 처리 방식에 비해 공간적 및 시간적 특징 간 의존성을 얼마나 잘 유지하는가?
• RQ4 반복적 정밀화 전략은 비반복 기반 모델에 비해 장기 예측(예: 60분 예측)의 정확도를 얼마나 향상시키는가?
• RQ5 실세계 교통 속도 예측 벤치마크에서 ISTD-GCN은 DCRNN 및 Graph WaveNet과 같은 최신 기술 모델과 비교해 어떻게 성능을 냅니다?

주요 결과

• ISTD-GCN은 METR-LA 및 PEMS-BAY 데이터셋에서 모두 최고의 성능을 기록하며, 모든 평가 지표에서 10개의 베이스라인을 모두 압도한다.
• METR-LA에서 ISTD-GCN은 15분 MAE 2.50, RMSE 4.40, MAPE 6.50%를 기록하여 다음으로 우수한 모델인 Graph WaveNet(2.69 MAE)보다 유의미하게 낮은 오차를 기록한다.
• PEMS-BAY에서 ISTD-GCN은 15분 MAE 1.33, RMSE 2.36, MAPE 2.80%를 기록하며, Graph WaveNet(1.30 MAE)과 DCRNN(1.38 MAE)를 모두 초월한다.
• 제거 실험 결과, HSTG, 이중 단계 컨볼루션, 반복 전략 중 어느 구성 요소도 제거할 경우 성능 저하가 일관되게 발생한다.
• 반복 전략이 성능 향상에 가장 기여하며, 특히 장기 예측(60분)에서 그 영향이 두드러진다. METR-LA에서 이 전략이 없을 경우 MAE가 0.70 증가하고, PEMS-BAY에서는 0.23 증가한다.
• 시각적 비교(그림 7 및 8)는 ISTD-GCN이 개별 도로 세그먼트의 미세한 속도 변동과 전체 네트워크의 거시적 추세를 모두 정확하게 포착함을 확인한다.