[论文解读] Dynamic Spatial-Temporal Representation Learning for Traffic Flow Prediction

Lingbo Liu, Jiajie Zhen+5 more|arXiv (Cornell University)|Sep 2, 2019

Traffic Prediction and Management Techniques参考文献 56被引用 15

一句话总结

本文提出了一种新型的注意力增强卷积LSTM架构——注意力交通流机器（ATFM），通过自适应注意力图动态建模交通流中的时空依赖关系。该方法在交通流预测与乘客需求预测的公开基准上均取得了最先进性能，在长期预测任务中相比现有模型最高提升16.58%。

ABSTRACT

As a crucial component in intelligent transportation systems, traffic flow prediction has recently attracted widespread research interest in the field of artificial intelligence (AI) with the increasing availability of massive traffic mobility data. Its key challenge lies in how to integrate diverse factors (such as temporal rules and spatial dependencies) to infer the evolution trend of traffic flow. To address this problem, we propose a unified neural network called Attentive Traffic Flow Machine (ATFM), which can effectively learn the spatial-temporal feature representations of traffic flow with an attention mechanism. In particular, our ATFM is composed of two progressive Convolutional Long Short-Term Memory (ConvLSTM \cite{xingjian2015convolutional}) units connected with a convolutional layer. Specifically, the first ConvLSTM unit takes normal traffic flow features as input and generates a hidden state at each time-step, which is further fed into the connected convolutional layer for spatial attention map inference. The second ConvLSTM unit aims at learning the dynamic spatial-temporal representations from the attentionally weighted traffic flow features. Further, we develop two deep learning frameworks based on ATFM to predict citywide short-term/long-term traffic flow by adaptively incorporating the sequential and periodic data as well as other external influences. Extensive experiments on two standard benchmarks well demonstrate the superiority of the proposed method for traffic flow prediction. Moreover, to verify the generalization of our method, we also apply the customized framework to forecast the passenger pickup/dropoff demands in traffic prediction and show its superior performance. Our code and data are available at {\color{blue}\url{https://github.com/liulingbo918/ATFM}}.

研究动机与目标

• 解决利用深度学习建模城市交通流中复杂、非平稳时空依赖关系的挑战。
• 克服现有交通预测方法中静态空间建模与固定时间表示的局限性。
• 通过统一框架自适应地整合序列趋势、周期性模式（如高峰时段）及外部因素。
• 将所提方法泛化至相关任务，如乘客上下车站点需求预测。
• 提升真实城市环境中短期与长期交通流预测的准确性。

提出的方法

• 提出ATFM，一种两阶段神经网络：第一阶段的ConvLSTM处理原始交通流输入并生成隐藏状态。
• 利用隐藏状态通过卷积层推断空间注意力图，实现对相关区域的动态聚焦。
• 将注意力加权特征输入第二阶段的ConvLSTM，以学习动态时空表征。
• 通过时变融合模块自适应结合不同表征，整合序列与周期性模式。
• 设计两种端到端框架：SPN用于短期预测，SPN-LONG用于长期交通与需求预测。
• 利用真实世界移动数据（如GPS、出租车/自行车轨迹）生成基于网格的交通流图作为输入。

实验结果

研究问题

• RQ1 如何有效建模随时间变化的动态空间依赖关系？
• RQ2 注意力机制能否提升交通流预测中时空特征的表征能力？
• RQ3 所提方法在标准交通流预测基准上的表现相较于最先进模型如何？
• RQ4 ATFM框架在其他城市出行预测任务（如乘客需求预测）中的泛化能力如何？
• RQ5 在大规模城市环境中，空间分辨率与时间粒度对预测精度的影响程度如何？

主要发现

• 在最大空间分辨率（$30\times10$）下，基于ATFM的SPN框架在短期交通流预测中RMSE为7.38，MAE为3.96。
• 在乘客需求预测任务中，SPN的RMSE为17.29，MAE为9.91，优于所有基线模型，包括PredRNN与ST-ResNet。
• SPN-LONG在2.0小时预测时延下相比PredRNN性能提升16.58%，RMSE从29.31降至24.45。
• 性能随空间分辨率提高而提升，但在$15\times5$或$20\times7$以上出现收益递减与过度分割风险。
• 该方法在短期与长期需求预测中均显著优于基线HA（RMSE: 39.02）及其他深度学习模型。
• 消融实验验证了注意力机制与动态融合模块在捕捉复杂时空模式中的关键作用。