[論文レビュー] Graph Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting.

Yaguang Li, Rose Yu+2 more|arXiv (Cornell University)|Jul 6, 2017

Traffic Prediction and Management Techniques被引用数 63

ひとこと要約

本稿では、グラフ畳み込みを用いて空間的依存関係をモデル化し、再帰的構造によって時間的ダイナミクスを捉えるグラフ畳み込み再帰ニューラルネットワーク（GCRNN）を提案する。さらに、エンコーダ・デコーダフレームワークとスケジュールドサンプリングを統合することで、実世界のデータにおける長期交通予測において、最先端のベースライン比で12%〜15%の性能向上を達成した。

ABSTRACT

Spatiotemporal forecasting has significant implications in sustainability, transportation and health-care domain. Traffic forecasting is one canonical example of such learning task. This task is challenging due to (1) non-linear temporal dynamics with changing road conditions, (2) complex spatial dependencies on road networks topology and (3) inherent difficulty of long-term time series forecasting. To address these challenges, we propose Graph Convolutional Recurrent Neural Network to incorporate both spatial and temporal dependency in traffic flow. We further integrate the encoder-decoder framework and scheduled sampling to improve long-term forecasting. When evaluated on real-world road network traffic data, our approach can accurately capture spatiotemporal correlations and consistently outperforms state-of-the-art baselines by 12%- 15%.

研究の動機と目的

• 道路ネットワークのトポロジーにおける複雑な空間的依存関係をモデル化する課題に対処すること。
• 交通流における変化する道路状態に起因する非線形的時間的ダイナミクスを捉えること。
• 時空間システムにおける長期時系列予測のパフォーマンスを向上させること。
• グラフベースの空間モデリングと再帰的時間学習を統合し、予測精度を向上させること。
• 実世界の交通予測ベンチマークにおいて、既存の最先端手法を上回ること。

提案手法

• 交通センサーや道路セグメント間の空間的関係を表現するために、道路ネットワークをグラフとしてモデル化する。
• グラフ畳み込みネットワーク（GCN）を用いて、グラフ構造データからの空間的依存関係を抽出する。
• 再帰的ニューラルネットワーク（RNN）を用いて、交通フロー時系列における非線形的時間的ダイナミクスを捉える。
• エンコーダ・デコーダアーキテクチャを実装し、符号化された時空間特徴から長期予測を生成する。
• 訓練中にスケジュールドサンプリングを統合し、一般化性能を向上させるとともに、長期予測における誤差蓄積を低減する。
• エンド・ツー・エンドで学習可能なフレームワーク内で、GCNとRNNのコンポONENTを統合し、共同での時空間表現学習を実現する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込み再帰ネットワークは、道路ネットワーク交通データにおける空間的依存関係を効果的にモデル化できるか？
• RQ2 提案手法は、現実の交通フローにおける非線形的時間的ダイナミクスをどの程度適切に扱えるか？
• RQ3 スケジュールドサンプリングを統合したエンコーダ・デコーダフレームワークは、長期予測精度をどの程度向上させるか？
• RQ4 実際の交通データセットにおいて、GCRNNは最先端のモデルと比較して予測性能で優れているか？

主な発見

• 提案されたGCRNNモデルは、長期交通予測において、常に最先端のベースラインを上回る性能を示した。
• 既存手法と比較して、予測精度が12%〜15%の相対的向上を達成した。
• スケジュールドサンプリングの統合により、長期予測の予測安定性と精度が顕著に向上した。
• グラフ畳み込みコンポONENTは、道路ネットワークトポロジー全体における複雑な空間的依存関係を効果的に捉えた。
• エンコーダ・デコーダフレームワークにより、複数ステップの交通フロー予測のための効果的な表現学習が可能になった。
• 実世界の交通データセットにおいて、本手法は優れた一般化性能を示し、その頑健性とスケーラビリティが裏付けられた。