[论文解读] Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting

Jun Fu, Wei Zhou+1 more|arXiv (Cornell University)|Oct 15, 2020

Traffic Prediction and Management Techniques参考文献 29被引用 14

一句话总结

该论文提出了一种贝叶斯时空图卷积网络（BSTGCN），通过端到端的方式联合从道路网络拓扑结构和交通数据中学习图结构，并使用参数化生成模型捕捉不确定性。BSTGCN在Los-loop数据集上的60分钟预测中，R²最高提升了3.85%，优于当前最先进方法。

ABSTRACT

In traffic forecasting, graph convolutional networks (GCNs), which model traffic flows as spatio-temporal graphs, have achieved remarkable performance. However, existing GCN-based methods heuristically define the graph structure as the physical topology of the road network, ignoring potential dependence of the graph structure over traffic data. And the defined graph structure is deterministic, which lacks investigation of uncertainty. In this paper, we propose a Bayesian Spatio-Temporal Graph Convolutional Network (BSTGCN) for traffic prediction. The graph structure in our network is learned from the physical topology of the road network and traffic data in an end-to-end manner, which discovers a more accurate description of the relationship among traffic flows. Moreover, a parametric generative model is proposed to represent the graph structure, which enhances the generalization capability of GCNs. We verify the effectiveness of our method on two real-world datasets, and the experimental results demonstrate that BSTGCN attains superior performance compared with state-of-the-art methods.

研究动机与目标

• 解决GCN中固定拓扑图结构的局限性，该结构忽略了交通流中的数据驱动依赖关系。
• 通过将图结构建模为概率生成过程，引入不确定性，以增强泛化能力。
• 通过反向传播端到端联合优化图结构与GCN权重，以提升预测准确性。
• 通过捕捉超越静态道路连通性的复杂时空依赖关系，改进长期交通预测。
• 在真实世界交通数据集上验证该方法，以证明其鲁棒性及相对于现有方法的优越性。

提出的方法

• 从物理道路拓扑结构和观测到的交通数据中，端到端学习交通图的邻接矩阵。
• 将图结构建模为参数化生成分布的一个样本，以实现不确定性量化。
• 使用最大后验概率（MAP）估计在训练过程中推断最可能的图结构。
• 将学习到的图结构集成到图卷积网络（GCN）中，并使用定制化的GRU进行时间建模。
• 通过反向传播联合优化生成模型参数与GCN权重，以提升预测性能。
• 通过从数据中学习，允许交通流之间存在非对称甚至负向关系，与对称的物理拓扑结构不同。

实验结果

研究问题

• RQ1 与固定拓扑图相比，基于数据驱动的可学习图结构是否能提升交通预测的准确性？
• RQ2 通过贝叶斯生成模型在图结构中引入不确定性，是否能增强交通预测的泛化能力？
• RQ3 所提出的图结构与GCN权重的端到端学习方法，在长期预测中与传统GCN方法相比表现如何？
• RQ4 该模型在多大程度上能够捕捉未反映在物理道路网络中的非局部和非直观交通依赖关系？
• RQ5 GRU重置门中激活函数的选择如何影响不同数据集上的性能表现？

主要发现

• 在Los-loop数据集的60分钟预测中，BSTGCN相较于T-GCN的R²提升3.85%，相较于A3T-GCN提升2.61%。
• 在15分钟预测中，BSTGCN相较于T-GCN和A3T-GCN的R²分别提升1.76%和1.57%。
• 学习到的邻接矩阵（A_G）表现出非对称性和非正关系，揭示了在观测拓扑中未捕捉到的复杂依赖关系。
• 该模型在长期预测中表现更优，基线方法在长期预测中误差累积更为显著。
• 将GRU重置门的激活函数从Sigmoid改为Identity后，Los-loop数据集上的性能得到提升，表明不同数据集存在特定的架构偏好。
• 在更平稳的SZ-taxi数据集中，朴素的历史平均模型表现良好，但BSTGCN仍显著优于它，尤其在长期预测中。