[논문 리뷰] Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network

Xiyue Zhang, Chao Huang외 6명|arXiv (Cornell University)|2021. 10. 08.

Traffic Prediction and Management TechniquesEngineering인용 수 21

한 줄 요약

이 논문은 다중 해상도 시간 동적 특성을 다중 척도 자기주의 메커니즘을 통해 캡처하고, 계층적으로 구조화된 그래프 신경망을 통해 국지적 및 전역적 공간 상관관계를 모델링하는 공간-시간 그래프 확산 네트워크인 ST-GDN을 제안한다. 이 프레임워크는 국지적 지리적 상관관계와 장거리 지역 간 상호의존성을 명시적으로 통합함으로써 여러 실세계 교통 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Accurate forecasting of citywide traffic flow has been playing critical role in a variety of spatial-temporal mining applications, such as intelligent traffic control and public risk assessment. While previous work has made significant efforts to learn traffic temporal dynamics and spatial dependencies, two key limitations exist in current models. First, only the neighboring spatial correlations among adjacent regions are considered in most existing methods, and the global inter-region dependency is ignored. Additionally, these methods fail to encode the complex traffic transition regularities exhibited with time-dependent and multi-resolution in nature. To tackle these challenges, we develop a new traffic prediction framework-Spatial-Temporal Graph Diffusion Network (ST-GDN). In particular, ST-GDN is a hierarchically structured graph neural architecture which learns not only the local region-wise geographical dependencies, but also the spatial semantics from a global perspective. Furthermore, a multi-scale attention network is developed to empower ST-GDN with the capability of capturing multi-level temporal dynamics. Experiments on several real-life traffic datasets demonstrate that ST-GDN outperforms different types of state-of-the-art baselines. Source codes of implementations are available at https://github.com/jill001/ST-GDN.

연구 동기 및 목표

• 기존의 교통 예측 모델이 국지적 공간 상관관계에만 초점을 맞추고 복잡한 시간 의존적 다중 해상도 교통 패턴을 포착하지 못하는 한계를 해결하기 위해.
• 예측 정확도 향상을 위해 교통 흐름에서 국지적 지리적 의존성과 전역적 지역 간 상호의존성을 명시적으로 모델링하기 위해.
• 도시 지역 전역에서 계층적 시간 동적 특성과 종합적인 공간 관계를 동시에 학습하는 통합 프레임워크를 개발하기 위해.
• 그래프 기반 아키텍처에서 다단계 시간 신호와 전역 의미적 관계를 통합함으로써 공간-시간 예측의 표현 학습을 향상시키기 위해.

제안 방법

• 다양한 시간 해상도(예: 시간, 일, 주)에서 시간 동적 특성을 캡처하기 위해 다중 척도 자기주의 네트워크를 설계하여 계층적 시간 패턴을 인코딩한다.
• 다중 수준 시간 표현 간 의존성을 모델링하기 위해 시간 계층 집계 레이어를 도입하여 세분화된 시간 신호의 공동 학습을 가능하게 한다.
• 그래프 주의망과 복합 기반 그래프 확산을 조합하여 국지적 공간 인접성과 전역 지역 수준의 의존성을 모두 모델링하는 계층적 구조의 그래프 신경망을 구성한다.
• 그래프 확산 메커니즘을 통해 먼 지역 간에도 교통 상태 정보가 전파되어, 즉각적인 이웃을 초월한 장거리 공간 상관관계를 포착한다.
• 공간 및 시간 표현을 공동 학습 프레임워크를 통해 통합하여 최종 교통 흐름 예측의 표현력을 향상시킨다.
• 기존의 역사적 교통 흐름 텐서에 대한 재구성 손실을 사용하여 엔드 투 엔드로 모델을 훈련시키며, 주의 가중치와 확산 과정을 함께 최적화한다.

실험 결과

연구 질문

• RQ1 다중 해상도 시간 동적 특성을 모델링하면 도시 환경에서 교통 흐름 예측 정확도가 향상되는가?
• RQ2 즉각적인 공간 이웃을 초월한 전역 상호의존성은 교통 예측 모델에서 어떻게 효과적으로 포착될 수 있는가?
• RQ3 국지적 공간 상관관계와 전역 공간 의미론을 조합할 경우 예측 성능 향상에 어느 정도 기여하는가?
• RQ4 그래프 확산 기반 아키텍처는 교통 네트워크에서 고차원 공간 의존성을 효과적으로 모델링할 수 있는가?
• RQ5 다중 척도 주의 메커니즘과 계층적 그래프 학습의 통합은 기존의 GNN 또는 RNN 기반 접근법에 비해 교통 예측에서 어떻게 비교되는가?

주요 결과

• ST-GDN은 BJ-Taxi, NYC-Taxi, NYC-Bike를 포함한 세 개의 실세계 데이터셋에서 MAE, RMSE, MAPE 지표에서 여러 최신 기술 수준의 베이스라인을 능가한다.
• NYC-Bike 데이터셋에서 ST-GDN은 MAE 569.26, RMSE 891.63, MAPE 0.20을 기록하여 DCRNN, ST-GCN, GMAN을 포함한 모든 비교 모델을 능가한다.
• 다중 척도 주의 메커니즘을 통해 다단계 시간 동적 특성을 모델링할 수 있는 능력 덕분에, 복잡한 다주기적 교통 패턴을 효과적으로 포착하는 데 뛰어난 성능을 보인다.
• 계층적 그래프 신경망 아키텍처 덕분에 ST-GDN은 국지적 및 전역적 공간 의존성을 효과적으로 학습할 수 있었으며, 국지적 이웃만 고려하는 모델에 비해 예측 정확도가 크게 향상되었다.
• ST-GCN보다는 계산 비용이 높지만, 주의 기반 그래프 전파로 인해 정확도와 효율성 사이에 유리한 트레이드오프를 달성하였으며, 경쟁 가능한 추론 시간을 확보하였다.
• 제거 실험 결과, 다중 척도 시간 모델링 및 전역 공간 의존성 학습 구성 요소가 모두 모델의 성능 향상에 기여한다는 것이 확인되었다.