[논문 리뷰] Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method.

Ling Zhao, Yujiao Song외 2명|arXiv (Cornell University)|2018. 11. 12.

Traffic Prediction and Management Techniques참고 문헌 26인용 수 34

한 줄 요약

이 논문은 도시 교통 흐름의 공간적 및 시간적 의존성을 모델링하기 위해 그래프 컬러션 네트워크(GCN)와 게이트드 순환 단위(GRU)를 결합한 시간적 그래프 컬러션 네트워크(T-GCN)를 제안한다. 이 방법은 실제 도로망 데이터셋에서 최신 기준 성능을 초월하여 도로망 내의 공간-시간 상관관계를 효과적으로 포착한다.

ABSTRACT

Accurate and real-time traffic forecasting plays an important role in the Intelligent Traffic System and is of great significance for urban traffic planning, traffic management, and traffic control. However, traffic forecasting has always been considered an open scientific issue, owing to the constraints of urban road network topological structure and the law of dynamic change with time, namely, spatial dependence and temporal dependence. To capture the spatial and temporal dependence simultaneously, we propose a novel neural network-based traffic forecasting method, the temporal graph convolutional network (T-GCN) model, which is in combination with the graph convolutional network (GCN) and gated recurrent unit (GRU). Specifically, the GCN is used to learn complex topological structures to capture spatial dependence and the gated recurrent unit is used to learn dynamic changes of traffic data to capture temporal dependence. Then, the T-GCN model is employed to traffic forecasting based on the urban road network. Experiments demonstrate that our T-GCN model can obtain the spatio-temporal correlation from traffic data and the predictions outperform state-of-art baselines on real-world traffic datasets. Our tensorflow implementation of the T-GCN is available at this https URL.

연구 동기 및 목표

• 실시간으로 도시 교통 흐름을 정확하게 예측하는 데 도전하는 것.
• 도시 도로망 구조의 복잡한 공간적 의존성을 모델링하는 것.
• 시간이 지남에 따라 교통 데이터의 동적 변화를 포착하는 것.
• 공간적 및 시간적 의존성을 동시에 모델링하는 통합된 딥 러닝 프레임워크를 개발하는 것.
• 기존 최신 기준 방법과 비교해 예측 성능을 향상시키는 것.

제안 방법

• T-GCN 모델은 도로망 구조를 기반으로 교통 센서 간의 공간적 관계를 학습하기 위해 그래프 컬러션 네트워크(GCN)를 통합한다.
• 시간적 동역학과 교통 흐름 데이터의 순차적 변화를 모델링하기 위해 게이트드 순환 단위(GRU)를 활용한다.
• GCN는 도시 도로망의 그래프 표현에서 교통 데이터를 처리하여 노드 간 메시지 전달을 통해 공간적 의존성을 인코딩한다.
• GRU 구성 요소는 GCN의 출력을 시간에 따라 처리하여 장기적인 시간적 패턴과 의존성을 학습한다.
• 모델은 역사적 교통 흐름 데이터를 기반으로 시퀀스-투-시퀀스 프레임워크를 사용해 엔드 투 엔드로 훈련된다.
• T-GCN 모델의 Tensorflow 구현체는 재현성과 향후 연구를 위해 공개되어 있다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 도시 교통 흐름 데이터의 공간적 및 시간적 의존성을 효과적으로 포착할 수 있는가?
• RQ2 GCN와 GRU의 통합이 단독 모델 대비 교통 예측 정확도를 어떻게 향상시키는가?
• RQ3 T-GCN 모델이 다양한 실제 도시 교통 데이터셋에 대해 얼마나 일반화되는가?
• RQ4 제안된 방법이 기존 최신 기준 교통 예측 접근 방식보다 예측 정확도 측면에서 뛰어나게 성능을 발휘하는가?

주요 결과

• T-GCN 모델은 GCN와 GRU 구성 요소를 조합함으로써 도시 교통 흐름 데이터의 공간-시간 상관관계를 성공적으로 포착한다.
• 모델은 실제 도시 교통 데이터셋에서 최신 기준 기준 성능을 뛰어넘는 성능을 달성한다.
• GCN의 통합은 도로망 구조를 따라 효과적인 공간적 의존성 모델링을 가능하게 한다.
• GRU의 사용은 복잡한 시간적 동역학과 교통 시계열의 장기적 의존성을 학습하는 데 기여한다.
• 제안된 방법은 다양한 평가 지표에서 일관된 예측 정확도 향상을 보여준다.