[논문 리뷰] Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks

Marcus Kalander, Min Zhou외 3명|arXiv (Cornell University)|2020. 09. 17.

Traffic Prediction and Management Techniques참고 문헌 35인용 수 7

한 줄 요약

이 논문은 STHGCN을 제안하며, 세 가지 유형의 그래프—공간적 근접성, 기능 유사성, 최근 추세 유사성—을 통해 동적 및 정적 공간적 종속성을 모델링하는 시공간 하이브리드 그래프 컨볼루션 네트워크이다. 또한 GRU를 사용하여 다중 스케일 시간 패턴을 포착한다. 실제 통신망 트래픽 데이터셋에서 평가된 결과, STHGCN은 RMSE와 MAE에서 일관된 향상을 보이며, 5G 시대의 트래픽 예측에서 뛰어난 정확도, 강건성, 안정성을 입증한다.

ABSTRACT

Telecommunication networks play a critical role in modern society. With the arrival of 5G networks, these systems are becoming even more diversified, integrated, and intelligent. Traffic forecasting is one of the key components in such a system, however, it is particularly challenging due to the complex spatial-temporal dependency. In this work, we consider this problem from the aspect of a cellular network and the interactions among its base stations. We thoroughly investigate the characteristics of cellular network traffic and shed light on the dependency complexities based on data collected from a densely populated metropolis area. Specifically, we observe that the traffic shows both dynamic and static spatial dependencies as well as diverse cyclic temporal patterns. To address these complexities, we propose an effective deep-learning-based approach, namely, Spatio-Temporal Hybrid Graph Convolutional Network (STHGCN). It employs GRUs to model the temporal dependency, while capturing the complex spatial dependency through a hybrid-GCN from three perspectives: spatial proximity, functional similarity, and recent trend similarity. We conduct extensive experiments on real-world traffic datasets collected from telecommunication networks. Our experimental results demonstrate the superiority of the proposed model in that it consistently outperforms both classical methods and state-of-the-art deep learning models, while being more robust and stable.

연구 동기 및 목표

• 밀집된 도시 지역에서의 셀룰러 네트워크 트래픽 내 복잡한 시공간 종속성을 조사하는 것.
• 기지국 간 정적 및 동적 공간 상관관계를 모델링하는 데 어려움이 있으며, 기존 모델에서 자주 간과되는 문제를 해결하는 것.
• 다중 스케일 시간 패턴(최근, 일일, 주간)과 다양한 공간적 종속성을 동시에 포착하는 통합된 딥러닝 프레임워크를 개발하는 것.
• 5G 네트워크 계획 및 자원 할당을 위한 트래픽 예측 정확도와 강건성을 향상시키는 것.

제안 방법

• 모델은 최근, 일일 주기적, 주간 주기적 패턴을 포함한 세 가지 다른 시간 구성 요소에 걸쳐 시간 종속성을 학습하기 위해 게이팅된 순환 단위(Gated Recurrent Units, GRUs)를 사용한다.
• 하이브리드 그래프 컨볼루션 네트워크(GCN)는 공간적 근접성, 기능 유사성, 최근 추세 유사성의 세 가지 유형의 공간 그래프를 통합하여 정적 및 동적 공간 상관관계를 포착한다.
• 세 가지 그래프 유형은 역사적 트래픽 데이터에서 학습되며, 통합된 아키텍처에 통합되어 공간 특징 표현을 풍부하게 한다.
• 모델은 다중 헤드 손실 함수를 사용하여 엔드 투 엔드로 훈련되며, 다양한 예측 수준에서 RMSE 및 MAE를 동시에 최적화한다.
• 시간 슬라이싱을 입력 시퀀스에 적용하여 순환 시간 패턴을 유지함으로써, 모델이 주기적 행동을 효과적으로 학습할 수 있도록 한다.
• 외부 특징(예: 시간대, 요일)은 보조 입력으로 통합되며 일반화 능력을 향상시키지만, 안정적인 데이터셋에서는 영향이 미미하다.

실험 결과

연구 질문

• RQ1 셀룰러 네트워크 트래픽의 시간 패턴은 어떤 시간 스케일(최근, 일일, 주간)에서 어떻게 변화하는가?
• RQ2 기지국 간 공간 종속성이 시간에 따라 얼마나 변화하는가? 그리고 효과적으로 모델링할 수 있는가?
• RQ3 근접성, 기능, 추세 유사성과 같은 여러 종류의 공간 관계를 통합한 하이브리드 GCN 아키텍처가 정적 또는 단일 유형의 그래프 모델보다 예측 성능을 향상시킬 수 있는가?
• RQ4 GRU와 하이브리드 GCN의 통합은 전통적 및 최신 기술 수준의 딥러닝 모델 대비 정확도, 강건성, 안정성 측면에서 어떻게 비교되는가?

주요 결과

• STHGCN는 CellularHZ 및 Abilene 데이터셋에서 모든 지표와 예측 수준에서 최고의 성능을 기록하였으며, CellularHZ의 4단계 앞서기 예측 과제에서 두 번째로 좋은 모델보다 RMSE가 15% 낮고 MAE가 7% 낮았다.
• 기능 유사성과 최근 추세 유사성 그래프를 모두 통합했을 때 RMSE는 3% 감소하고 MAE는 9% 감소했으며, 공간적 근접성 그래프만 사용한 경우보다 성능 향상이 뚜렷했다.
• 시간 슬라이싱을 제거하면 성능이 크게 악화되어, 입력 데이터에서 순환 시간 패턴을 유지하는 것이 매우 중요하다는 점을 확인했다.
• 반복 실험에서 표준편차가 낮게 나타나, 기준 딥러닝 모델 대비 더 높은 강건성과 안정성을 보였다.
• 외부 특징의 추가는 성능 향상에 미미한 영향을 미쳤으며, 이는 핵심 아키텍처가 이미 매우 효과적이며 보조 입력에 크게 의존하지 않는다는 것을 시사한다.
• STHGCN는 다변량 시계열 모델보다 일관되게 뛰어난 성능을 보였으며, 공간 종속성을 포착하지 못해 시공간 트래픽 예측에서 성능이 떨어지는 단일변량 시계열 모델과는 대조를 이룬다.