[논문 리뷰] Modeling Spatial-Temporal Dynamics for Traffic Prediction.

Huaxiu Yao, Xianfeng Tang외 4명|arXiv (Cornell University)|2018. 03. 03.

Traffic Prediction and Management Techniques참고 문헌 22인용 수 95

한 줄 요약

이 논문은 유동성 게이팅 메커니즘을 통해 동적인 공간적 의존성을 모델링하고, 주기적 패턴을 비엄격하게 반영하기 위해 주기적으로 이동된 주의를 사용하는 공간-시간 동적 네트워크(Spatial-Temporal Dynamic Network, STDN)를 제안한다. 실제 데이터셋에서 평가한 결과, 변화하는 공간적 관계와 시간적 이동을 효과적으로 모델링함으로써 기존 최고 수준의 방법들보다 교통 예측 정확도에서 뛰어난 성능을 보였다.

ABSTRACT

Spatial-temporal prediction has many applications such as climate forecasting and urban planning. In particular, traffic prediction has drawn increasing attention in data mining research field for the growing traffic related datasets and for its impacts in real-world applications. For example, an accurate taxi demand prediction can assist taxi companies to pre-allocate taxis to meet with commuting demands. The key challenge of traffic prediction lies in how to model the complex spatial and temporal dependencies. In this paper, we make two important observations which have not been considered by previous studies: (1) the spatial dependency between locations are dynamic; and (2) the temporal dependency follows strong periodicity but is not strictly periodic for its dynamic temporal shifting. Based on these two observations, we propose a novel Spatial-Temporal Dynamic Network (STDN) framework. In this framework, we propose a flow gating mechanism to learn the dynamic similarity between locations via traffic flow. A periodically shifted attention mechanism is designed to handle long-term periodic dependency and periodic temporal shifting. Furthermore, we extend our framework from region-based traffic prediction to traffic prediction for road intersections by using graph convolutional structure. We conduct extensive experiments on several large-scale real traffic datasets and demonstrate the effectiveness of our approach over state-of-the-art methods.

연구 동기 및 목표

• 기존 교통 예측 모델이 정적 공간적 의존성과 엄격한 주기적 시간 패턴을 가정하는 데서 비롯되는 한계를 해결하기 위해.
• 교통 유동성 기반 유사도 학습을 통해 교통 위치 간의 동적인 공간적 관계를 모델링하기 위해.
• 고정된 주기에서 벗어나는 동적인 시간적 이동을 고려하면서도 장기적인 시간적 의존성을 파악하기 위해.
• 그래프 컨볼루션 네트워크를 사용하여 도로 교차로에서의 교통 예측을 가능하게 하기 위해.
• 최고 수준의 기존 접근 방식들보다 대규모 실세계 교통 데이터셋에서 예측 정확도를 향상시키기 위해.

제안 방법

• 실시간 교통 유동성 데이터를 기반으로 위치 간의 동적 공간 유사도를 학습하는 유동성 게이팅 메커니즘을 제안한다.
• 강한 주기성을 보이지만 위상 이동이 있는 시간적 의존성을 모델링하기 위해 주기적으로 이동된 주의 메커니즘을 도입한다.
• 도로 네트워크를 표현하고 지역 기반 및 교차로 수준의 교통 예측을 가능하게 하기 위해 그래프 컨볼루션 네트워크를 활용한다.
• 유동성 게이팅과 이동된 주의 모듈을 통합한 유일한 딥러닝 프레임워크를 통해 엔드 투 엔드 공간-시간 모델링을 수행한다.
• 다중 헤드 주의 메커니즘과 학습 가능한 이동 파rameter를 사용하여 다양한 주기 동안 시간 패턴을 적응적으로 모델링한다.
• 시퀀스에서 시퀀스로의 예측 목표를 사용하여 대규모 교통 데이터셋에서 STDN 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 교통 예측에서 교통 위치 간의 공간적 의존성을 정적가 아니라 동적으로 어떻게 모델링할 수 있는가?
• RQ2 동적인 위상 이동을 특징으로 하는 비엄격한 주기성 시간 의존성은 얼마나 효과적으로 교통 예측에서 포착될 수 있는가?
• RQ3 동적인 공간적 모델링과 이동된 시간적 모델링을 통합한 통합 딥러닝 프레임워크는 기존 방법들보다 예측 정확도 향상에 기여하는가?
• RQ4 제안된 프레임워크는 지역 수준과 교차로 수준의 예측과 같은 다양한 교통 예측 작업에 어떻게 일반화되는가?
• RQ5 동적인 공간 모델링과 주기적 시간 이동 처리가 총 예측 성능 향상에 기여하는 상대적 기여도는 어떠한가?

주요 결과

• 제안된 STDN 프레임워크는 최고 수준의 기존 방법들보다 여러 대규모 실세계 교통 데이터셋에서 뛰어난 성능을 달성한다.
• 유동성 게이팅 메커니즘이 변화하는 공간적 관계를 효과적으로 포착하여 고정된 공간적 의존성을 가진 모델들보다 예측 정확도를 향상시킨다.
• 주기적으로 이동된 주의 메커니즘이 변수가 있는 위상 이동을 가진 장기적인 시간 패턴 모델링을 크게 향상시킨다.
• 그래프 컨볼루션 네트워크의 통합을 통해 도로 교차로 수준의 효과적인 예측이 가능해져, 지역 기반 예측을 넘어서는 프레임워크 확장이 이루어졌다.
• 제거 실험을 통해 동적인 공간 모델링과 시간 이동 처리 모두가 총 성능 향상에 의미 있는 기여를 한다고 확인된다.
• 다양한 도시 교통 환경과 다양한 데이터 스케일에서 모델이 강건성과 일반화 능력을 보였다.