[논문 리뷰] Multistep Speed Prediction on Traffic Networks: A Graph Convolutional Sequence-to-Sequence Learning Approach with Attention Mechanism

Zhengchao Zhang, Meng Li외 3명|arXiv (Cornell University)|2018. 10. 24.

Traffic Prediction and Management Techniques인용 수 11

한 줄 요약

이 논문은 다단계 교통 속도 예측을 위한 그래프 컨volution 신경망 기반 순서-순서 변환 모델인 AGC-Seq2Seq를 제안한다. 공간적 상관관계는 그래프 컨volution 신경망을 통해, 시간적 동적 특성은 순서-순서 변환 프레임워크를 통해 모델링하며, 장기 예측 정확도 향상을 위해 어텐션 메커니즘을 통합하여 실세계 교통 데이터에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Multistep traffic forecasting on road networks is a crucial task in successful intelligent transportation system applications. To capture the complex non-stationary temporal dynamics and spatial dependency in multistep traffic-condition prediction, we propose a novel deep learning framework named attention graph convolutional sequence-to-sequence model (AGC-Seq2Seq). In the proposed deep learning framework, spatial and temporal dependencies are modeled through the Seq2Seq model and graph convolution network separately, and the attention mechanism along with a newly designed training method based on the Seq2Seq architecture is proposed to overcome the difficulty in multistep prediction and further capture the temporal heterogeneity of traffic pattern. We conduct numerical tests to compare AGC-Seq2Seq with other benchmark models using a real-world dataset. The results indicate that our model yields the best prediction performance in terms of various prediction error measures. Furthermore, the variation of spatiotemporal correlation of traffic conditions under different perdition steps and road segments is revealed through sensitivity analyses.

연구 동기 및 목표

• 비정상적인 동역학을 보이는 복잡한 도시 네트워크에서 정확한 다단계 교통 속도 예측에 도전한다.
• 도로 구간 간 공간적 상관관계와 교통 속도 시계열의 시간적 상관관계를 모두 모델링한다.
• 장기 예측에서의 오차 누적과 시간적 이질성 문제를 해결한다.
• 그래프 컨volution 순서-순서 변환 아키텍처에 어텐션 메커니즘을 통합하여 예측 성능을 향상시킨다.
• 다른 예측 단계와 도로 구간에서의 시공간 상관관계 변화 양상을 파악한다.

제안 방법

• 교통 속도 시계열의 시간적 상관관계를 모델링하기 위해 순서-순서 변환(SEQ2SEQ) 인코더-디코더 아키텍처를 활용한다.
• 교통 네트워크를 그래프로 모델링하여 도로 구간 간 공간적 상관관계를 캐릭터라이즈하기 위해 그래프 컨volution 네트워크(GCNs)를 통합한다.
• 디코딩 중에 관련된 이전 시간 단계와 공간 노드에 동적으로 초점을 맞추는 어텐션 메커니즘을 도입한다.
• 장기 예측 성능 향상을 위해 SEQ2SEQ 프레임워크에 특화된 새로운 학습 전략을 설계한다.
• 노드가 도로 구간을 나타내고, 간선가 공간적 연결성을 나타내는 도로 네트워크의 그래프 기반 표현을 사용한다.
• GCN 기반 공간 인코딩과 어텐션 강화 시간적 디코딩을 결합하여 시공간 동적 특성을 종합적으로 모델링한다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 복잡한 도시 네트워크에서 다단계 교통 속도 예측 정확도를 향상시키기 위해 그래프 컨볼루션 순서-순서 변환 모델에 어텐션 메커니즘을 통합할 수 있는가?
• RQ2 어떤 방식으로 어텐션 메커니즘이 장기 예측에서 오차 누적 문제를 완화하는가?
• RQ3 다른 예측 수준과 도로 구간에서 시공간 상관관계의 행동 양상은 어떠한가?
• RQ4 다단계 교통 속도 예측에서 공간적 상관관계와 시간적 동적 특성이 어떻게 상호작용하는가?
• RQ5 제안된 프레임워크는 다양한 교통 조건과 네트워크 구조에 대해 잘 일반화되는가?

주요 결과

• AGC-Seq2Seq 모델은 실세계 교통 데이터셋에서 MAE, RMSE, MAPE 등 다양한 오차 지표에서 최고의 성능을 기록한다.
• 어텐션 메커니즘이 관련된 이전 상태에 집중함으로써 장기 예측에서 오차 누적 현상을 크게 감소시킨다.
• 민감도 분석 결과, 교통 조건의 시공간 상관관계는 예측 단계와 도로 구간 유형에 따라 변화함을 확인했다.
• 단기 및 장기 예측 과제에서 GC-LSTM, Seq2Seq, ST-ResNet 등의 벤치마크 모델보다 성능이 뛰어나다.
• 그래프 컨볼루션과 어텐션의 통합은 동적인 교통 조건에서도 더 견고하고 적응력 있는 예측을 가능하게 한다.
• 제안된 학습 방법은 수렴성과 안정성을 향상시켜 예측 신뢰도 향상에 기여한다.