[논문 리뷰] STGC-GNNs: A GNN-based traffic prediction framework with a spatial-temporal Granger causality graph

Silu He, Qinyao Luo외 3명|arXiv (Cornell University)|2022. 10. 30.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 공간-시간 그랜저 인과관계(STGC)를 사용하여 장기적인, 매크로스코픽한 교통 흐름 전파를 포착하기 위해 글로벌하고 동적인 공간 의존성을 모델링하는 GNN 기반의 교통 예측 프레임워크인 STGC-GNN을 제안한다. 장기적인 교통 시계열에서 안정적인 인과관계를 탐지하기 위해 공간-시간 정렬 알고리즘과 그랜저 인과성 검정을 활용함으로써, METR_LA 데이터셋에서 세 가지 백본 모델에 대해 45분 및 1시간 예측 성능을 향상시켰으며, 정적 공간 그래프보다 뛰어난 성능을 보였다.

ABSTRACT

The key to traffic prediction is to accurately depict the temporal dynamics of traffic flow traveling in a road network, so it is important to model the spatial dependence of the road network. The essence of spatial dependence is to accurately describe how traffic information transmission is affected by other nodes in the road network, and the GNN-based traffic prediction model, as a benchmark for traffic prediction, has become the most common method for the ability to model spatial dependence by transmitting traffic information with the message passing mechanism. However, existing methods model a local and static spatial dependence, which cannot transmit the global-dynamic traffic information (GDTi) required for long-term prediction. The challenge is the difficulty of detecting the precise transmission of GDTi due to the uncertainty of individual transport, especially for long-term transmission. In this paper, we propose a new hypothesis\: GDTi behaves macroscopically as a transmitting causal relationship (TCR) underlying traffic flow, which remains stable under dynamic changing traffic flow. We further propose spatial-temporal Granger causality (STGC) to express TCR, which models global and dynamic spatial dependence. To model global transmission, we model the causal order and causal lag of TCRs global transmission by a spatial-temporal alignment algorithm. To capture dynamic spatial dependence, we approximate the stable TCR underlying dynamic traffic flow by a Granger causality test. The experimental results on three backbone models show that using STGC to model the spatial dependence has better results than the original model for 45 min and 1 h long-term prediction.

연구 동기 및 목표

• 기존의 GNN 기반 교통 모델이 장기 예측 시 간섭을 받는 글로벌 동적 교통 정보 전파(GDTi)를 포착하는 데에 한계가 있다는 문제를 해결하기 위해.
• 정적 국소 연결성으로서의 공간 의존성을 넘어서, 장기적인 교통 흐름 동역학의 근본이 되는 안정적이고 방향성 있는 인과관계로 공간 의존성을 모델링하기 위해.
• 시간 시리즈 데이터를 활용하여 매크로스코픽 전파 인과관계(TCR)를 탐지하고 활용하는 방법을 개발하기 위해.
• 정적 공간 그래프를 동적으로 유도된 인과 그래프로 대체함으로써 장기 예측 성능, 특히 45분 및 1시간 예측 성능을 향상시키기 위해.
• STGC 기반 공간 의존성이 전통적인 정적 그래프 구조보다 장거리 의존성을 더 잘 포착함을 검증하기 위해.

제안 방법

• 전파 인과관계(TCR) 가설 제안: 미세 수준의 차량 행동은 불확실하지만, 매크로 수준의 교통 흐름은 안정적인 인과 전파 패턴을 보임.
• 교통 시계열에서 노드 간의 인과적 순서와 지연을 식별하기 위해 공간-시간 정렬 알고리즘 개발.
• 정렬된 시계열에 그랜저 인과성 검정을 적용하여 안정적인 인과적 의존성을 탐지하고, 공간-시간 그랜저 인과관계(STGC) 그래프 형성.
• STGC 그래프를 GNN 기반 교통 예측 모델의 공간 토폴로지 입력으로 통합하여 기존의 정적 도로망 그래프 대체.
• 일致한 학습 및 추론 프로토콜을 기반으로 세 가지 백본 GNN 모델(T-GCN, Graph WaveNet, STGCN)을 사용해 STGC-GNN 프레임워크 평가.
• METR_LA 데이터셋에서 프레임워크를 학습 및 테스트하여 다양한 예측 수평과 노드 유형에서의 성능 평가.

실험 결과

연구 질문

• RQ1 도로 네트워크에서 장기적인 글로벌-다이나믹 교통 정보 전파(GDTi)에 안정적이고 방향성 있는 인과관계가 존재할 수 있는가?
• RQ2 공간-시간 그랜저 인과관계가 정적 공간 그래프에서 포착되지 않는 동적 공간 의존성을 효과적으로 탐지하고 모델링할 수 있는가?
• RQ3 정적 공간 그래프를 STGC 기반 그래프로 대체함으로써 장기적인 교통 예측 정확도가 향상되는가?
• RQ4 멀리 떨어진, 경계선 및 교차로 노드와 같이 장거리 의존성에 더 의존하는 노드에서 STGC-GNN 프레임워크는 어떻게 성능을 내는가?
• RQ5 STGC 기반 접근 방식이 45분 및 1시간 예측에서 베이스라인 GNN 모델보다 뛰어난 성능을 내는가?

주요 결과

• STGC-GNN은 METR_LA 데이터셋에서 세 백본 모델 전반에 걸쳐 45분 및 60분 예측에서 기존의 GNN 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 모든 노드 유형, 특히 교차로, 경계선 및 먼 거리의 노드에 대해 예측 정확도가 향상되어 장거리 의존성 포착이 효과적임을 입증했다.
• STGC 그래프는 도로 네트워크의 실제 상류-하류 교통 흐름 패턴과 잘 일치하는 방향성 있는 인과관계를 포착했다.
• 공간-시간 정렬 알고리즘이 성공적으로 인과적 순서와 지연을 식별하여 시간 시리즈 데이터에서 TCR를 정확하게 탐지할 수 있었다.
• 정렬된 시계열에 적용된 그랜저 인과성 검정은 동적으로 변화하는 교통 조건에서도 안정적인 인과적 의존성을 드러냈다.
• 공간 의존성을 정적 국소 연결성 대신 동적 인과 구조로 모델링할 경우 장기 예측 성능이 향상됨을 입증했다.