[논문 리뷰] MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting

Yaobin Xu, Weitang Liu외 5명|arXiv (Cornell University)|2021. 08. 08.

Traffic Prediction and Management Techniques참고 문헌 41인용 수 7

한 줄 요약

MAF-GNN는 교통 속도 예측을 위한 다중적응형 시공간 흐름 그래프 신경망을 제안하며, 복잡한 공간적 의존성을 모델링하기 위해 적응형 인접 행렬을 도입하고, 시간과 공간을 넘어서 특징 전파를 향상시키기 위해 시공간 흐름 모듈을 설계한다. 이는 METR-LA 및 PeMS-Bay 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Traffic forecasting is a core element of intelligent traffic monitoring system. Approaches based on graph neural networks have been widely used in this task to effectively capture spatial and temporal dependencies of road networks. However, these approaches can not effectively define the complicated network topology. Besides, their cascade network structures have limitations in transmitting distinct features in the time and space dimensions. In this paper, we propose a Multi-adaptive Spatiotemporal-flow Graph Neural Network (MAF-GNN) for traffic speed forecasting. MAF-GNN introduces an effective Multi-adaptive Adjacency Matrices Mechanism to capture multiple latent spatial dependencies between traffic nodes. Additionally, we propose Spatiotemporal-flow Modules aiming to further enhance feature propagation in both time and space dimensions. MAF-GNN achieves better performance than other models on two real-world datasets of public traffic network, METR-LA and PeMS-Bay, demonstrating the effectiveness of the proposed approach.

연구 동기 및 목표

• 도로 네트워크에서 복잡하고 동적인 공간적 의존성을 포착하는 데에 고정되거나 단일 인접 행렬의 한계를 해결한다.
• 계단식 구조의 GNN에서 발생하는 특징 전달 장벽을 극복하기 위해 공간적 및 시간적 특징의 이중 방향 전파를 가능하게 한다.
• 다양한 잠재 공간 관계를 모델링하고 시간과 공간을 넘어서 특징 전파를 향상시킴으로써 교통 속도 예측 정확도를 향상시킨다.
• 공간 구조 학습과 시공간 표현 학습을 동시에 최적화하는 통합 아키텍처를 개발한다.

제안 방법

• 다양한 잠재 공간 관계를 표현하기 위해 다수의 동적 인접 행렬을 학습하는 다중 적응형 인접 행렬 메커니즘을 도입한다.
• 공간적 및 시간적 차원을 넘어서 특징을 이중 방향으로 전파할 수 있도록 시공간 흐름 모듈을 설계한다. 이는 특징 정제 및 표현 학습을 향상시킨다.
• 시공간 흐름 모듈 내에서 그래프 컨볼루션 레이어를 활용하여 이웃 노드와 시간 단위에서 특징을 적응적으로 집계한다.
• 적응형 인접 행렬과 흐름 모듈을 통합된 GNN 프레임워크에 통합하여 공간적 및 시간적 모델링을 동시에 최적화한다.
• 이력 시공간 시퀀스를 기반으로 향후 교통 속도를 예측하기 위해 표준 회귀 손실을 사용하여 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 고정되거나 단일 구조의 그래프를 초월하여, 다중 적응형 인접 행렬이 도로 네트워크에서 복잡하고 동적인 공간적 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 시공간 흐름 모듈은 교통 예측 GNN에서 특징 전파 및 표현 학습을 어느 정도 향상시키는가?
• RQ3 실제 도로 교통 예측 벤치마크에서 기존의 GNN 기반 모델과 비교해 MAF-GNN의 예측 정확도는 어떠한가?
• RQ4 제안된 아키텍처는 다양한 도시 교통 네트워크 구조 및 데이터 분포에 대해 잘 일반화되는가?

주요 결과

• MAF-GNN는 기존 최신 기술 수준의 모델들보다 METR-LA 및 PeMS-Bay 데이터셋에서 뛰어난 성능을 달성한다.
• 다중 적응형 인접 행렬 메커니즘은 다양한 잠재 공간 관계를 성공적으로 포착하여, 더 복잡한 도로 네트워크 구조의 모델링을 향상시킨다.
• 시공간 흐름 모듈은 시간과 공간을 넘어서 특징 전파를 크게 향상시켜 더 견고하고 정확한 예측을 가능하게 한다.
• 모델은 다양한 실생활 교통 네트워크에서 강력한 일반화 능력을 보이며, 확장성과 견고성을 시사한다.