[论文解读] "How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction

Qinge Xie, Tiancheng Guo+4 more|arXiv (Cornell University)|Dec 3, 2019

Traffic Prediction and Management Techniques参考文献 36被引用 9

一句话总结

本文提出 DIGC-Net，一种深度图卷积网络，通过整合事件影响特征与时空及上下文数据，以提升城市交通速度预测性能。通过利用二分类器发现关键事件并提取连续的潜在影响特征，DIGC-Net 在旧金山和纽约市的高峰时段相比基线模型，MAPE 最低降低 89.50%。

ABSTRACT

Accurate traffic speed prediction is an important and challenging topic for transportation planning. Previous studies on traffic speed prediction predominately used spatio-temporal and context features for prediction. However, they have not made good use of the impact of urban traffic incidents. In this work, we aim to make use of the information of urban incidents to achieve a better prediction of traffic speed. Our incident-driven prediction framework consists of three processes. First, we propose a critical incident discovery method to discover urban traffic incidents with high impact on traffic speed. Second, we design a binary classifier, which uses deep learning methods to extract the latent incident impact features from the middle layer of the classifier. Combining above methods, we propose a Deep Incident-Aware Graph Convolutional Network (DIGC-Net) to effectively incorporate urban traffic incident, spatio-temporal, periodic and context features for traffic speed prediction. We conduct experiments on two real-world urban traffic datasets of San Francisco and New York City. The results demonstrate the superior performance of our model compare to the competing benchmarks.

研究动机与目标

• 填补现有交通速度预测模型未能充分考虑城市交通事件影响差异性的空白。
• 识别并量化对交通流和速度产生显著影响的高影响事件。
• 提出一种方法，以提取连续的潜在事件影响特征，从而提升预测准确性。
• 将事件影响、时空、周期性及上下文特征统一整合至一个深度学习框架中，用于交通速度预测。

提出的方法

• 提出一种基于异常度与速度变化的临界事件发现方法，用于识别高影响的城市事件。
• 设计一种基于深度学习的二分类器，从网络中间层提取潜在事件影响特征。
• 采用图卷积网络（GCN）建模道路网络中的空间依赖关系，利用非欧几里得拓扑结构。
• 在统一的深度事件感知图卷积网络（DIGC-Net）中，整合事件影响特征与时空、周期性及天气特征。
• 在时空组件中使用可学习单元，以支持多步速度预测（k=1,2,3）。
• 在旧金山和纽约市的真实世界数据集上训练并评估 DIGC-Net，用于对比基准测试。

实验结果

研究问题

• RQ1 不同城市交通事件对交通速度的影响有何差异？高影响事件与低影响事件有何本质区别？
• RQ2 高影响事件在城市路网中是否表现出独特的时空模式？
• RQ3 能否有效提取并利用潜在事件影响特征以提升交通速度预测性能？
• RQ4 与仅使用时空和上下文特征的模型相比，引入事件数据在多大程度上提升了预测准确性？

主要发现

• 在纽约市的高峰时段，DIGC-Net 相比竞争性基线模型，MAPE 最低降低 89.50%。
• 在旧金山，DIGC-Net 在高峰时段相比基线模型，MAPE 最低降低 89.50%，且在不同预测时序上表现稳定。
• 模型在多步预测中保持一致性能，旧金山地区 k=3（15 分钟预测）时 MAPE 仅相对增加 5.44%。
• DIGC-Net 与 LC-RNN 的性能差距在高峰时段进一步扩大，表明 DIGC-Net 在处理复杂交通动态方面更具优势。
• 该框架在高流量和低流量时段均表现出鲁棒性，尤其在高峰拥堵时段提升显著。
• 潜在事件影响特征的整合带来了可测量的预测精度提升，验证了所提特征提取方法的有效性。