[논문 리뷰] Revisiting Flow Information for Traffic Prediction

Xian Zhou, Yanyan Shen외 1명|arXiv (Cornell University)|2019. 06. 03.

Traffic Prediction and Management Techniques참고 문헌 18인용 수 6

한 줄 요약

이 논문은 지역 간 동적인 교통 흐름 상관관계를 명시적으로 모델링하기 위해 유동 인식 그래프 컨벌루션과 게이팅된 순환 단위를 통합한 새로운 교통 예측 모델인 FlowConvGRU를 제안한다. 유동 기반 그래프를 구축하고 적응형 수신 영역을 학습함으로써, 비국소적이고 시간에 따라 변화하는 유동 역학을 포착하여, 특히 유동 변동성이 높은 정점 시간대에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Traffic prediction is a fundamental task in many real applications, which aims to predict the future traffic volume in any region of a city. In essence, traffic volume in a region is the aggregation of traffic flows from/to the region. However, existing traffic prediction methods focus on modeling complex spatiotemporal traffic correlations and seldomly study the influence of the original traffic flows among regions. In this paper, we revisit the traffic flow information and exploit the direct flow correlations among regions towards more accurate traffic prediction. We introduce a novel flow-aware graph convolution to model dynamic flow correlations among regions. We further introduce an integrated Gated Recurrent Unit network to incorporate flow correlations with spatiotemporal modeling. The experimental results on real-world traffic datasets validate the effectiveness of the proposed method, especially on the traffic conditions with a great change on flows.

연구 동기 및 목표

• 기존 교통 예측 모델이 지역 간 직접적인 교통 유동 상관관계를 간과하는 한계를 해결하기 위해.
• 지리적 근접성에 제약을 받지 않는 동적인 비국소적 흐름 상관관계를 모델링하기 위해.
• 오전 및 저녁 정점 시간대와 같은 고유동성 시나리오에서 예측 정확도를 향상시키기 위해.
• 통합된 딥 러닝 아키텍처를 통해 유동 기반 상관관계와 공간적 상관관계를 통합하기 위해.
• 유동 인식 그래프 컨벌루션의 효과성을 입증하기 위해, 변화하는 교통 역학을 포착하는 데 기여한다.

제안 방법

• 노드가 지역을 나타내고 간선 가중치가 지역 간 동적인 교통 유동을 나타내는 유도 그래프를 구축한다.
• 실시간 유동 패턴에 기반해 동적이고 지역별로 특화된 수신 영역을 학습하는 유동 인식 그래프 컨벌루션 모듈을 설계한다.
• 유장 유동 상관관계와 국소적 공간 의존성을 모두 캡처하기 위해 표준 공간 컨벌루션과 유동 인식 그래프 컨벌루션을 통합한다.
• 스패티오토럴 역학을 모델링하기 위해 게이팅된 순환 단위(Gated Recurrent Unit, GRU) 내에서 조기 융합 메커니즘으로 양쪽 컨벌루션의 출력을 통합한다.
• 계층적인 스파티오토럴 특징을 캡처하기 위해 다수의 FlowConvGRU 블록을 스택하여 딥 아키텍처를 구성한다.
• 융합된 스파티오토럴 표현 기반으로 향후 교통 유량을 예측하기 위해 최종 완전 연결층을 사용한다.

실험 결과

연구 질문

• RQ1 역사적 유량 패tern에만 의존하는 것과 비교해 지역 간 직접적인 교통 유동 상관관계를 모델링하는 것이 교통 예측 정확도를 향상시키는가?
• RQ2 제안된 유동 인식 그래프 컨벌루션은 비국소적이고 변화하는 교통 상관관계를 얼마나 효과적으로 포착하는가?
• RQ3 유동 상관관계의 통합이 오전 및 저녁 정점 시간대와 같은 고유동성 시나리오에서 성능 향상에 기여하는가?
• RQ4 FlowConvGRU 네트워크의 깊이가 예측 성능 및 일반화 능력에 어떤 영향을 미치는가?
• RQ5 유동 역학(유사도 측정 기준 Jaccard 유사도 및 지구 이동 거리)이 예측 난이도와 어느 정도 상관관계가 있는가?

주요 결과

• 제안된 FlowConvGRU 모델은 두 개의 실세계 교통 데이터셋에서 최신 기술 수준의 성능을 달성하여, 전체 및 정점 시간대 예측에서 기존 방법을 모두 능가한다.
• TaxiNYC의 경우 EMD > 0.1, TaxiCD의 경우 EMD > 0.005로 유동 변동성이 높은 인스턴스에서 예측 오차가 크게 감소함을 확인하였다.
• 연속된 시간 간격에서 유동 연결 지역 간 Jaccard 유사도는 대부분 0.25 이하로 유지되어 매우 동적이고 비정상적인 유동 패턴을 나타낸다.
• EMD 거리 분석 결과, 오전 및 저녁 정점 시간대에 교통 유동이 큰 시간적 변동성을 보이며, 이는 가장 예측 난이도가 높은 시나리오임을 확인하였다.
• 세 개의 FlowConvGRU 레이어에서 최적의 성능가 달성되어, 먼 거리의 공간 상관관계를 포착하는 것과 연결되지 않은 지역으로부터의 과적합 방지를 고려한 트레이드오프가 존재함을 시사한다.
• 유동 인식 그래프 컨벌루션과 GRU의 통합은 특징 상호작용을 향상시키고, 특히 동적인 교통 조건에서 일반화 능력을 향상시킨다.