[论文解读] MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting

Yaobin Xu, Weitang Liu+5 more|arXiv (Cornell University)|Aug 8, 2021

Traffic Prediction and Management Techniques参考文献 41被引用 7

一句话总结

MAF-GNN 提出了一种多自适应时空流图神经网络用于交通速度预测，通过引入自适应邻接矩阵来建模复杂的时空依赖关系，并采用时空流模块以增强时间与空间维度上的特征传播。该方法在 METR-LA 和 PeMS-Bay 数据集上取得了当前最优的性能表现。

ABSTRACT

Traffic forecasting is a core element of intelligent traffic monitoring system. Approaches based on graph neural networks have been widely used in this task to effectively capture spatial and temporal dependencies of road networks. However, these approaches can not effectively define the complicated network topology. Besides, their cascade network structures have limitations in transmitting distinct features in the time and space dimensions. In this paper, we propose a Multi-adaptive Spatiotemporal-flow Graph Neural Network (MAF-GNN) for traffic speed forecasting. MAF-GNN introduces an effective Multi-adaptive Adjacency Matrices Mechanism to capture multiple latent spatial dependencies between traffic nodes. Additionally, we propose Spatiotemporal-flow Modules aiming to further enhance feature propagation in both time and space dimensions. MAF-GNN achieves better performance than other models on two real-world datasets of public traffic network, METR-LA and PeMS-Bay, demonstrating the effectiveness of the proposed approach.

研究动机与目标

• 解决固定或单一邻接矩阵在捕捉道路网络中复杂动态空间依赖关系方面的局限性。
• 通过实现空间与时间特征的双向传播，克服级联结构图神经网络中的特征传输瓶颈。
• 通过建模多种潜在空间关系并增强时间与空间维度上的特征传播，提升交通速度预测的准确性。
• 构建一个统一架构，联合优化空间拓扑学习与时空表征学习。

提出的方法

• 提出多自适应邻接矩阵机制，学习多个动态邻接矩阵，以表征交通节点之间的多样化潜在空间关系。
• 设计时空流模块，实现在空间与时间维度上的双向特征传播，提升特征精炼与表征学习能力。
• 在时空流模块中使用图卷积层，以自适应方式聚合来自邻近节点和时间步的特征。
• 将自适应邻接矩阵与流模块整合到统一的图神经网络框架中，联合优化空间与时间建模。
• 采用标准回归损失端到端训练模型，基于历史时空序列预测未来交通速度。

实验结果

研究问题

• RQ1 多个自适应邻接矩阵是否能有效建模道路网络中超越静态或单一拓扑图的复杂动态空间依赖关系？
• RQ2 时空流模块在交通预测图神经网络中在多大程度上改善了特征传播与表征学习？
• RQ3 在真实世界交通速度预测基准上，MAF-GNN 与现有基于图神经网络的模型相比，预测准确性如何？
• RQ4 所提出的架构是否在不同城市交通网络拓扑结构与数据分布下具有良好泛化能力？

主要发现

• MAF-GNN 在 METR-LA 和 PeMS-Bay 数据集上的表现优于现有最先进模型。
• 多自适应邻接矩阵机制成功捕捉了多种潜在空间关系，提升了对复杂道路网络拓扑的建模能力。
• 时空流模块显著增强了时间与空间维度上的特征传播，从而带来更鲁棒、更准确的预测结果。
• 该模型在不同真实世界交通网络中展现出强大的泛化能力，表明其具备良好的可扩展性与鲁棒性。