[논문 리뷰] Spatio-Temporal Dual Graph Neural Networks for Travel Time Estimation

Guangyin Jin, Huan Yan외 3명|arXiv (Cornell University)|2021. 05. 28.

Traffic Prediction and Management Techniques참고 문헌 45인용 수 4

한 줄 요약

이 논문은 도로 구간과 교차로를 노드 기반 및 에지 기반 그래프를 통해 함께 모델링하는 엔드 투 엔드 딥 러닝 프레임워크인 Spatio-Temporal Dual Graph Neural Networks (STDGNN)를 제안한다. 이를 통해 주행 시간 추정 성능을 향상시킨다. 다중 척도 공간-시간 이중 그래프 학습과 다중 작업 학습을 통합함으로써, STDGNN는 세 개의 실세계 데이터셋에서 기존 베이스라인을 크게 능가하는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Travel time estimation is one of the core tasks for the development of intelligent transportation systems. Most previous works model the road segments or intersections separately by learning their spatio-temporal characteristics to estimate travel time. However, due to the continuous alternations of the road segments and intersections in a path, the dynamic features are supposed to be coupled and interactive. Therefore, modeling one of them limits further improvement in accuracy of estimating travel time. To address the above problems, a novel graph-based deep learning framework for travel time estimation is proposed in this paper, namely Spatio-Temporal Dual Graph Neural Networks (STDGNN). Specifically, we first establish the node-wise and edge-wise graphs to respectively characterize the adjacency relations of intersections and that of road segments. In order to extract the joint spatio-temporal correlations of the intersections and road segments, we adopt the spatio-temporal dual graph learning approach that incorporates multiple spatial-temporal dual graph learning modules with multi-scale network architectures for capturing multi-level spatial-temporal information from the dual graph. Finally, we employ the multi-task learning approach to estimate the travel time of a given whole route, each road segment and intersection simultaneously. We conduct extensive experiments to evaluate our proposed model on three real-world trajectory datasets, and the experimental results show that STDGNN significantly outperforms several state-of-art baselines.

연구 동기 및 목표

• 기존 연구가 도로 구간이나 교차로를 별도로 모델링함으로써 최적의 주행 시간 추정에 한계를 가졌다는 점을 해결하기 위해.
• 실제 교통 네트워크에서 동적으로 상호의존하는 도로 구간과 교차로 간의 공동 공간-시간 상관관계를 포착하기 위해.
• 전체 경로, 개별 도로 구간, 교차로의 주행 시간을 동시에 추정할 수 있는 통합형 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 이중 그래프 구조를 통해 도로 구간과 교차로 간의 정적 특성과 동적 상호작용을 모델링하여 추정 정확도를 향상시키기 위해.

제안 방법

• 교차로를 위한 노드 기반 그래프와 도로 구간을 위한 에지 기반 그래프를 각각 구축하여, 각각의 구조적 특성과 정적 특성을 인코딩한다.
• 공간 그래프 컨볼루션과 시간 컨볼루션을 적용하여 두 그래프에서 독립적인 공간-시간 패턴을 추출하는 공간-시간 이중 그래프 학습 모듈을 설계한다.
• 노드 기반 그래프와 에지 기반 그래프 간의 잠재 표현을 집계하고 교환하는 이중 그래프 상호작용 메커니즘을 도입하여 수준 간 특성 상호작용을 가능하게 한다.
• 다양한 수신 필드를 통해 계층적이고 다중 수준의 표현을 캡처하기 위해 다중 척도 네트워크 아키텍처를 활용한다.
• 전체 경로, 개별 도로 구간, 교차로의 주행 시간을 동시에 예측함으로써 특성 공유와 모델 일반화를 향상시키기 위해 다중 작업 학습을 활용한다.
• 교차로와 도로 구간 간의 공간적 근접성을 모델링하기 위해 학습 가능한 P-행렬을 통합하여 이중 그래프 프레임워크 내에서 구조적 정렬을 향상시킨다.

실험 결과

연구 질문

• RQ1 이중 그래프 구조를 통해 교차로와 도로 구간을 함께 모델링할 경우, 별도로 모델링하는 것보다 주행 시간 추정 정확도가 향상되는가?
• RQ2 교차로와 도로 구간의 독립적인 공간-시간 역학은 교통 흐름 전파 과정에서 서로 어떻게 영향을 주고받는가?
• RQ3 이중 그래프 상호작용 메커니즘이 도시 도로 네트워크에서의 구조 간 종속성을 포착하는 데 미치는 영향은 무엇인가?
• RQ4 층수 및 잠재 차원과 같은 모델 하이퍼파라미터는 STDGNN 프레임워크의 성능과 일반화에 어떤 영향을 미치는가?
• RQ5 개별 구성 요소(예: 교차로 제외, 도로 구간 제외, P-행렬 제외)는 모델의 전체 성능에 얼마나 기여하는가?

주요 결과

• STDGNN는 세 개의 실세계 궤적 데이터셋에서 최신 기술 수준의 베이스라인을 크게 능가하여, 모든 지표에서 RMSE, MAE, MAPE가 낮게 나타났다.
• 제거 실험 결과, 교차로, 도로 구간, 또는 P-행렬을 제거할 경우 성능 저하가 심각하게 발생하였으며, 포르투 데이터셋에서 MAE가 최대 6.07%까지 상승함으로써 두 구성 요소의 핵심적 역할을 입증하였다.
• 최적의 모델 설정은 창취 데이터셋에선 3층과 잠재 차원 30, 포르투 데이터셋에선 2층과 잠재 차원 20를 사용하며, 과적합을 고려할 경우 더 큰 차원이 항상 성능 향상에 기여하지는 않음을 시사한다.
• 성능은 3층에서 최고에 도달하며, 4층으로 증가시킬 경우 성능 저하가 발생함으로써 깊은 네트워크가 주어진 데이터에 대해 과적합되거나 일반화에 실패할 수 있음을 시사한다.
• 다중 척도 아키텍처는 특성 표현을 향상시키며, 다중 작업 학습 설정은 경로, 구간, 교차로 예측 간 공유 지식을 가능하게 하여 추정 정확도를 향상시킨다.