[논문 리뷰] Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction

Peng Xie, Minbo Ma외 5명|arXiv (Cornell University)|2022. 04. 06.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 고정된 인접 행렬에 의존하지 않고 개별 지하철역의 고유한 교통 패턴을 포착하고 동적인 공간적 의존성을 학습하는 스펙트럴-시계열 동적 그래프 관계 학습 모델인 STDGRL을 제안한다. 노드별 임베딩, 동적 공간적 관계 학습, 트랜스포머 기반 장기 시계열 모듈을 통합함으로써, STDGRL은 네 개의 실세계 지하철 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하여 11개의 베이스라인을 초월하는 다단계 유동 예측 작업에서 뛰어난 성능을 보였다.

ABSTRACT

Urban metro flow prediction is of great value for metro operation scheduling, passenger flow management and personal travel planning. However, it faces two main challenges. First, different metro stations, e.g. transfer stations and non-transfer stations, have unique traffic patterns. Second, it is challenging to model complex spatio-temporal dynamic relation of metro stations. To address these challenges, we develop a spatio-temporal dynamic graph relational learning model (STDGRL) to predict urban metro station flow. First, we propose a spatio-temporal node embedding representation module to capture the traffic patterns of different stations. Second, we employ a dynamic graph relationship learning module to learn dynamic spatial relationships between metro stations without a predefined graph adjacency matrix. Finally, we provide a transformer-based long-term relationship prediction module for long-term metro flow prediction. Extensive experiments are conducted based on metro data in Beijing, Shanghai, Chongqing and Hangzhou. Experimental results show the advantages of our method beyond 11 baselines for urban metro flow prediction.

연구 동기 및 목표

• 기존 연구에서 일반적으로 동일하게 취급되는 전환역과 비전환역 등 서로 다른 지하철역 간의 고유한 교통 패턴을 모델링하는 데 도전한다.
• 고정된 또는 사전 정의된 그래프 구조에 의존하지 않고 시간에 따라 변화하는 지하철역 간의 동적 공간적 의존성을 학습하는 것.
• 단기 예측을 넘어서 복잡한 시계열 관계를 포착함으로써 장기적인 지하철 유동 예측을 정확하게 수행하는 것.
• 노드별 패턴과 진동하는 시공간 관계를 함께 모델링함으로써 일반화 능력과 예측 정확도를 향상시키는 것.

제안 방법

• 기본적인 유입 및 유출 데이터를 기반으로 각 지하철역의 고유한 교통 패턴을 학습하기 위해 스펙트럴-시계열 노드 임베딩 표현 모듈을 도입한다.
• 고정된 인접 행렬을 사용하지 않고 시간에 따라 변화하는 역 간 공간적 의존성을 자동으로 학습하는 동적 그래프 관계 학습(DSRL) 모듈을 제안한다.
• 다단계 유동 예측을 위한 장거리 시계열 의존성을 포착하기 위해 트랜스포머 기반의 장기 시계열 모델링 모듈을 활용한다.
• 노드별 임베딩, 동적 공간적 관계, 시계열 모델링을 종합적으로 통합하여 종단 간 학습 가능한 프레임워크를 구성하고 공동 최적화를 수행한다.
• GCN 유사 메시지 전달 방식과 어텐션 메커니즘을 결합하여 동적 이웃 관계에 기반해 노드 표현을 적응적으로 업데이트한다.
• 노드 인식 위치 학습(NAPL)이라는 새로운 구성 요소가 노드별 시계열 역학을 인코딩함으로써 표현 학습을 향상시킨다.

실험 결과

연구 질문

• RQ1 전역적으로 파라미터를 공유하지 않고도 전환역과 비전환역 등 다양한 유형의 지하철역에서 고유한 교통 패턴을 효과적으로 포착할 수 있는가?
• RQ2 시간에 따라 변화하는 방식으로 지하철역 간의 동적 공간적 의존성을 어떻게 모델링할 수 있는가? 고정된 그래프 구조에 의존하지 않는가?
• RQ3 RNN 또는 GRU 기반 대안 대비 트랜스포머 기반 모듈이 장기적인 지하철 유동 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 노드 임베딩, 동적 그래프 학습, 시계열 모델링 각 구성 요소가 전체 예측 성능에 기여하는 정도는 어떠한가?

주요 결과

• STDGRL은 네 개의 실세계 지하철 데이터셋(베이징, 상하이, 츄칭저우, 항저우)에서 11개의 최신 기술 수준 베이스라인을 모두 능가하며, 뛰어난 일반화 능력과 예측 정확도를 입증했다.
• SHMetro 데이터셋에서 STDGRL-GRU-Transformer는 15분 MAE가 23.9464로, GCGRU(T-GCN) 베이스라인의 47.3206보다 유의미하게 낮아 성능 향상이 뚜렷했다.
• 제거 실험에서 NAPL 구성 요소를 제거했을 때 성능 저하가 가장 컸으며, 이는 노드별 교통 패턴을 모델링하는 데의 중요성을 입증했다.
• GRU와 트랜스포머 모듈을 모두 포함한 전체 STDGRL 모델이 가장 우수한 성능을 기록했으며, 이는 단기 및 장기 시계열 모델링을 융합하는 것이 효과적임을 보여주었다.
• 고정된 그래프 기반 베이스라인 대비 동적 공간적 관계 학습 모듈이 성능을 크게 향상시켜, 적응형 그래프 구조의 필요성을 입증했다.
• BJMetro 데이터셋에서 STDGRL은 60분 MAPE가 0.8663을 기록했으며, GCGRU(T-GCN) 베이스라인의 4.6435와 비교해 강력한 장기 예측 능력을 보였다.