[논문 리뷰] Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction

Huaxiu Yao, Xianfeng Tang외 3명|arXiv (Cornell University)|2018. 03. 03.

Traffic Prediction and Management Techniques참고 문헌 31인용 수 78

한 줄 요약

STDN은 동적 공간 유사성에 대한 흐름 게이팅 메커니즘과 장기 주기적 시프트를 갖는 주의 메커니즘을 도입하여 교통 예측을 향상시킵니다.

ABSTRACT

Traffic prediction has drawn increasing attention in AI research field due to the increasing availability of large-scale traffic data and its importance in the real world. For example, an accurate taxi demand prediction can assist taxi companies in pre-allocating taxis. The key challenge of traffic prediction lies in how to model the complex spatial dependencies and temporal dynamics. Although both factors have been considered in modeling, existing works make strong assumptions about spatial dependence and temporal dynamics, i.e., spatial dependence is stationary in time, and temporal dynamics is strictly periodical. However, in practice, the spatial dependence could be dynamic (i.e., changing from time to time), and the temporal dynamics could have some perturbation from one period to another period. In this paper, we make two important observations: (1) the spatial dependencies between locations are dynamic; and (2) the temporal dependency follows daily and weekly pattern but it is not strictly periodic for its dynamic temporal shifting. To address these two issues, we propose a novel Spatial-Temporal Dynamic Network (STDN), in which a flow gating mechanism is introduced to learn the dynamic similarity between locations, and a periodically shifted attention mechanism is designed to handle long-term periodic temporal shifting. To the best of our knowledge, this is the first work that tackles both issues in a unified framework. Our experimental results on real-world traffic datasets verify the effectiveness of the proposed method.

연구 동기 및 목표

• 교통 데이터에서 시간에 따라 변하는 동적 공간 의존성 모델링의 필요성을 촉진한다.
• 장기적인 시간 패턴에서의 비엄격한 일간/주간 주기성과 시간적 시프트를 다룬다.
• 공간-시간 다이나믹성과 적응형 주의 메커니즘을 결합한 통합 아키텍처를 제안한다.
• 대규모 실제 데이터셋(NYC 택시 및 자전거 공유)에서 효과성을 입증한다.

제안 방법

• 교통 흐름 데이터를 통해 동적 공간 유사성을 학습하고 공간 전파를 게이트 기반으로 조절하는 Flow Gating Mechanism (FGM).
• 공간 특징에 대한 로컬 CNN과 짧은 기간의 시간 역학에 대한 LSTM을 활용하는 Local Spatial-Temporal Network (LSTN).
• 일/주에 걸친 시간 시프트를 통해 장기 주기를 포착하는 Periodically Shifted Attention Mechanism (PSAM).
• 시작/종료 교통량에 대한 단일 예측을 위해 단기(LSTN)와 장기 주기의 표현을 함께 학습하는 공동 학습 방식.
• 공유 표현과 결합 손실을 갖춘 시작량과 종료량의 다중 작업 예측.

실험 결과

연구 질문

• RQ1 지역 간의 동적 공간 유사성을 교통 예측을 위해 어떻게 효과적으로 모델링할 수 있는가?
• RQ2 주기성이 시간에 따라 시프트될 때 교통 시계열의 장기 주기성을 포착할 수 있는가?
• RQ3 시작량과 종료량의 공동 모델링이 예측 성능을 향상시키는가?
• RQ4 흐름 기반 공간 게이팅과 주기적으로 시프트된 주의의 도입이 예측 정확도에 미치는 영향은 무엇인가?

주요 결과

• STDN은 NYC-Taxi 및 NYC-Bike 데이터셋에서 RMSE 및 MAPE 기준으로 지속적으로 baselines를 상회한다.
• Flow gating 단독으로 정적 또는 특징 기반 흐름 표현에 비해 공간 의존성 모델링이 개선된다.
• 주기적으로 시프트된 주의는 장기 주기의 시간적 시프트를 효과적으로 처리하여 예측을 향상시킨다.
• STDN은 ConvLSTM, ST-ResNet, DMVST-Net 및 기타 최첨단 모델을 능가하여 동적 시공간 접근법을 검증한다.
• 공유 표현을 가진 시작량과 종료량의 공동 모델링이 각각을 분리해 모델링하는 것보다 더 높은 성능을 낸다.