[논문 리뷰] Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

Mengzhang Li, Zhanxing Zhu|arXiv (Cornell University)|2020. 12. 15.

Traffic Prediction and Management Techniques참고 문헌 22인용 수 68

한 줄 요약

STFGNN은 데이터 기반의 시간 그래프를 구성하고 이를 공간 그래프와 통합된 융합 그래프에서 융합하며, 게이트된 확장된 합성을 사용해 교통 흐름 예측의 장기 패턴을 포착합니다.

ABSTRACT

Spatial-temporal data forecasting of traffic flow is a challenging task because of complicated spatial dependencies and dynamical trends of temporal pattern between different roads. Existing frameworks typically utilize given spatial adjacency graph and sophisticated mechanisms for modeling spatial and temporal correlations. However, limited representations of given spatial graph structure with incomplete adjacent connections may restrict effective spatial-temporal dependencies learning of those models. To overcome those limitations, our paper proposes Spatial-Temporal Fusion Graph Neural Networks (STFGNN) for traffic flow forecasting. SFTGNN could effectively learn hidden spatial-temporal dependencies by a novel fusion operation of various spatial and temporal graphs, which is generated by a data-driven method. Meanwhile, by integrating this fusion graph module and a novel gated convolution module into a unified layer, SFTGNN could handle long sequences. Experimental results on several public traffic datasets demonstrate that our method achieves state-of-the-art performance consistently than other baselines.

연구 동기 및 목표

• 고정된 공간 그래프를 사용하고 공간/시계열 모델링을 분리하는 한계에 대해 동기를 부여하고 이를 해결한다.

제안 방법

• 데이터 기반 시간 그래프를 빠른-DTW를 사용해 생성하여 시간적 유사성을 포착한다.
• 공간 그래프 A_SG, 시간 그래프 A_TG, 시간 연결성 A_TC를 통합해 시공간 융합 그래프(A_STFG)를 형성한다.
• STFGN 모듈을 사용해 A_STFG와의 그래프 곱셈 및 게이트 선형 유니트를 통해 지역/전역 의존성을 학습한다.
• 긴 범위 의존성을 넓히기 위해 큰 시간 확장을 갖는 게이트 CNN 모듈을 포함한다.
• Huber 손실과 Adam 옵티마이저로 학습하고, 여러 STFGN 층을 쌓아 모델을 심화한다.

실험 결과

연구 질문

• RQ1 고정된 공간 인접 그래프를 넘어서 데이터 기반의 시간 그래프가 시공간 의존성 학습을 향상시킬 수 있는가?
• RQ2 공간 그래프, 시간 유사성 그래프, 시간 연결 그래프의 융합이 기존 방법들보다 예측 정확도를 향상시키는가?
• RQ3 게이트된 확장 CNN과 STFGN 모듈이 장기 범위의 시공간 의존성을 효과적으로 포착할 수 있는가?
• RQ4 STFGNN이 여러 실제 교통 데이터셋에서 베이스라인과 비교해 어떤 성능을 보이는가?

주요 결과

• STFGNN은 네 가지 공개 데이터셋(PEMS03, PEMS04, PEMS07, PEMS08)에서 일관되게 베이스라인보다 우수합니다.
• fast-DTW를 통해 구성된 데이터 기반 시간 그래프(A_TG)가 주어진 공간 그래프에 존재하지 않는 숨겨진 시간적 상관관계를 포착합니다.
• A_SG, A_TG, A_TC를 A_STFG로 융합하면 지역적 및 글로벌 시공간 의존성을 동시에 모델링할 수 있습니다.
• 게이트된 확장 합성은 시간 수용 력 필드를 확장하여 장기 의존성 학습을 돕습니다.
• 변별 연구를 통해 더 큰 A_STFG와 A_TG의 적절한 희소성이 MAE, MAPE, RMSE를 개선하며, 게이트드 합성은 성능을 더욱 향상시킵니다.