[논문 리뷰] Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting

Zhiyong Cui, Kristian Henrickson외 3명|arXiv (Cornell University)|2018. 02. 20.

Traffic Prediction and Management Techniques참고 문헌 48인용 수 100

한 줄 요약

본 논문은 도로 네트워크를 그래프로 모델링하여 시공간 트래픽 패턴을 학습하고 네트워크 전체 트래픽 상태를 예측하는 Traffic Graph Convolutional Long Short-Term Memory (TGC-LSTM) 프레임워크를 제안하며, 해석 가능성을 위한 그래프 컨볼루션 가중치 및 특징의 정규화를 수행한다.

ABSTRACT

Traffic forecasting is a particularly challenging application of spatiotemporal forecasting, due to the time-varying traffic patterns and the complicated spatial dependencies on road networks. To address this challenge, we learn the traffic network as a graph and propose a novel deep learning framework, Traffic Graph Convolutional Long Short-Term Memory Neural Network (TGC-LSTM), to learn the interactions between roadways in the traffic network and forecast the network-wide traffic state. We define the traffic graph convolution based on the physical network topology. The relationship between the proposed traffic graph convolution and the spectral graph convolution is also discussed. An L1-norm on graph convolution weights and an L2-norm on graph convolution features are added to the model's loss function to enhance the interpretability of the proposed model. Experimental results show that the proposed model outperforms baseline methods on two real-world traffic state datasets. The visualization of the graph convolution weights indicates that the proposed framework can recognize the most influential road segments in real-world traffic networks.

연구 동기 및 목표

• 도로 네트워크의 시간에 따라 변하는 패턴과 복잡한 공간 의존성을 고려한 정확한 네트워크 규모 트래픽 예측의 도전을 동기 부여하고 해결하고자 한다.
• 도로 간 상호작용을 포착하여 네트워크 전체 트래픽 상태를 예측하는 그래프 기반 딥러닝 프레임워크를 제안한다.
• 물리적 네트워크 토폴로지에 기반한 트래픽 그래프 컨볼루션을 정의하고 이를 스펙트럴 그래프 컨볼루션과 연관시킨다.
• 그래프 컨볼루션 가중치(L1)와 특징(L2)에 대한 정규화를 통해 모델의 해석 가능성을 강화한다.

제안 방법

• 도로 간 상호 작용을 모델링하기 위해 교통 네트워크를 그래프로 표현한다.
• Traffic Graph Convolutional Long Short-Term Memory (TGC-LSTM)을 도입하여 시공간 의존성을 학습한다.
• 물리 토폴로지에 정렬된 트래픽 그래프 컨볼루션을 정의하고 그것의 스펙트럴 그래프 컨볼루션과의 관계를 논의한다.
• 해석 가능성을 향상시키기 위해 손실 함수에서 그래프 컨볼루션 가중치에 L1-노름, 그래프 컨볼루션 특징에 L2-노름을 적용한다.
• 두 가지 실제 교통 상태 데이터 세트에서 모델을 평가하고 기본 방법과 비교한다.

실험 결과

연구 질문

• RQ1 그래프 컨볼루션 순환 아키텍처가 네트워크 규모의 트래픽 데이터에서 공간적 의존성과 시간적 의존성 모두를 효과적으로 포착할 수 있는가?
• RQ2 토폴로지 정보를 반영한 그래프 컨볼루션을 도입하면 기본 방법 대비 예측 정확도가 향상되는가?
• RQ3 그래프 컨볼루션 가중치와 특징의 정규화가 성능 저하 없이 모델의 해석 가능성을 향상시키는가?
• RQ4 제안된 프레임워크가 실제 교통 데이터 세트에서 기저 방법에 비해 어떻게 성능을 보이는가?

주요 결과

• 제안된 TGC-LSTM 프레임워크는 두 개의 실제 교통 상태 데이터 세트에서 기저 방법들보다 우수한 성능을 보인다.
• 모델이 학습한 그래프 컨볼루션 가중치는 영향력 있는 도로 구간과 일치하여 의미 있는 해석 가능성을 시사한다.
• 모델은 도로 간 상호 작용을 포착하여 네트워크 전체 트래픽 상태를 더 정확하게 예측한다.
• 가중치와 특징에 대한 정규화가 해석 가능성을 돕는 동시에 예측 성능을 유지한다.