[논문 리뷰] PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting

Yuyol Shin, Yoonjin Yoon|arXiv (Cornell University)|2022. 02. 18.

Traffic Prediction and Management Techniques참고 문헌 41인용 수 12

한 줄 요약

PGCN은 훈련 및 추론 중 온라인 입력 데이터에 따라 그래프 구조를 점진적으로 적응시키는 새로운 공간-시간 교통 예측 프레임워크로, 추세 유사도 학습을 통해 동적 인접 행렬을 구성한다. 확장된 인과 컨벌루션과 게이팅 활성화 유닛을 결합한 PGCN은 일곱 개인 다양한 실제 교통 데이터셋에서 최신 기술 수준의 성능을 달성하며, 데이터 비정상성 상황에서도 강력한 일반화 능력과 일관성을 입증한다.

ABSTRACT

The complex spatial-temporal correlations in transportation networks make the traffic forecasting problem challenging. Since transportation system inherently possesses graph structures, many research efforts have been put with graph neural networks. Recently, constructing adaptive graphs to the data has shown promising results over the models relying on a single static graph structure. However, the graph adaptations are applied during the training phases and do not reflect the data used during the testing phases. Such shortcomings can be problematic especially in traffic forecasting since the traffic data often suffer from unexpected changes and irregularities in the time series. In this study, we propose a novel traffic forecasting framework called Progressive Graph Convolutional Network (PGCN). PGCN constructs a set of graphs by progressively adapting to online input data during the training and testing phases. Specifically, we implemented the model to construct progressive adjacency matrices by learning trend similarities among graph nodes. Then, the model is combined with the dilated causal convolution and gated activation unit to extract temporal features. With residual and skip connections, PGCN performs the traffic prediction. When applied to seven real-world traffic datasets of diverse geometric nature, the proposed model achieves state-of-the-art performance with consistency in all datasets. We conclude that the ability of PGCN to progressively adapt to input data enables the model to generalize in different study sites with robustness.

연구 동기 및 목표

• 동적이고 비정상적인 데이터 패턴을 가진 교통 네트워크에서 복잡한 공간-시간 상관관계를 모델링하는 데 도전하는 것.
• 기존 GNN 기반 교통 예측 모델에서 정적 또는 훈련 전용 적응 그래프의 한계를 극복하는 것.
• 훈련 및 추론 단계 동안 변화하는 입력 데이터에 그래프 구조를 점진적으로 적응시키는 프레임워크를 개발하는 것.
• 기하학적 및 시간적 특성이 다양한 도시 교통 환경에서 모델의 강건성과 일반화 능력을 향상시키는 것.
• 여러 실제 교통 예측 벤치마크에서 일관된 최신 기술 수준의 성능을 달성하는 것.

제안 방법

• PGCN은 시간에 따라 그래프 노드 간의 추세 유사도를 학습하여 점진적인 인접 행렬을 구성함으로써, 훈련 및 테스트 중 동적 그래프 적응을 가능하게 한다.
• 모델은 교통 시계열에서 장거리 시간적 의존성을 효과적으로 포착하기 위해 확장된 인과 컨벌루션을 활용한다.
• 복잡한 시간 패턴을 학습하고 관련 없는 정보를 차단하기 위해 게이팅 활성화 유닛을 통합한다.
• 깊은 레이어를 통해 경량화된 학습 안정성과 기울기 흐름 향상을 위해 잔차 연결 및 스킵 연결을 사용한다.
• 엔드 투 엔드로 미분 가능한 아키텍처에서 적응 그래프 학습과 시간적 특징 추출을 통합한다.
• 동적 그래프 구축은 온라인 입력 데이터를 기반으로 반복적으로 수행되어 교통 변화에 실시간으로 대응한다.

실험 결과

연구 질문

• RQ1 다양한 공간 기하학을 가진 실제 데이터셋에서 일관된 최신 기술 수준의 성능을 달성할 수 있는 교통 예측 모델은 가능한가?
• RQ2 추론 중 점진적 그래프 적응이 예측 불가능한 교통 비정상성과 데이터 이동에 대한 강건성을 향상시키는가?
• RQ3 추세 유사도 기반 동적 그래프 학습이 실제 교통 예측에서 정적 또는 훈련 전용 적응 그래프 방법보다 어떻게 비교되는가?
• RQ4 확장된 컨벌루션과 게이팅 유닛의 통합이 공간-시간 교통 예측에서 시간적 특징 추출을 얼마나 향상시키는가?
• RQ5 제안된 프레임워크는 재학습 없이 다양한 도시 교통 환경에서 효과적으로 일반화될 수 있는가?

주요 결과

• PGCN은 일곱 개인 실제 교통 예측 데이터셋에서 최신 기술 수준의 성능을 달성하며, 모든 벤치마크에서 기존 방법을 일관되게 능가한다.
• 추론 중 점진적 그래프 적응 덕분에 데이터 비정상성과 예측 불가능한 변화에 대해 뛰어난 강건성을 보인다.
• 추세 유사도 기반 동적 그래프 학습은 교통 네트워크 내 변화하는 공간적 의존성을 더 잘 포착할 수 있도록 한다.
• 확장된 인과 컨벌루션과 게이팅 유닛의 통합은 시간적 특징 표현과 예측 정확도를 크게 향상시킨다.
• 잔차 연결 및 스킵 연결은 특히 깊은 아키텍처에서 안정적인 학습과 향상된 성능에 기여한다.
• 프레임워크는 다양한 도시 환경에서 효과적으로 일반화되며, 강력한 전이 가능성과 적응 능력을 나타낸다.