[논문 리뷰] Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting

Weiqi Chen, Ling Chen외 4명|arXiv (Cornell University)|2019. 11. 27.

Traffic Prediction and Management Techniques참고 문헌 26인용 수 15

한 줄 요약

이 논문은 교통 예측을 위한 새로운 GCN 기반 모델인 다중 범위 주의 이성분 그래프 컨볼루션 네트워크(MRA-BGCN)를 제안한다. 이 모델은 이성분 그래프 컨볼루션과 다중 범위 주의 메커니즘을 통해 노드 간 및 에지 간 상호작용을 동시에 모델링하여 다양한 이웃 범위에서의 공간 상관관계를 포괄적으로 포착한다. METR-LA와 PEMS-BAY에서의 평가 결과, MRA-BGCN는 교통 예측 정확도에서 최신 기술(SOTA) 수준의 성능을 달성한다.

ABSTRACT

Traffic forecasting is of great importance to transportation management and public safety, and very challenging due to the complicated spatial-temporal dependency and essential uncertainty brought about by the road network and traffic conditions. Latest studies mainly focus on modeling the spatial dependency by utilizing graph convolutional networks (GCNs) throughout a fixed weighted graph. However, edges, i.e., the correlations between pair-wise nodes, are much more complicated and interact with each other. In this paper, we propose the Multi-Range Attentive Bicomponent GCN (MRA-BGCN), a novel deep learning model for traffic forecasting. We first build the node-wise graph according to the road network distance and the edge-wise graph according to various edge interaction patterns. Then, we implement the interactions of both nodes and edges using bicomponent graph convolution. The multi-range attention mechanism is introduced to aggregate information in different neighborhood ranges and automatically learn the importance of different ranges. Extensive experiments on two real-world road network traffic datasets, METR-LA and PEMS-BAY, show that our MRA-BGCN achieves the state-of-the-art results.

연구 동기 및 목표

• 교통 예측에서 복잡한 시공간 상관관계를 모델링하는 데 도전하는 것.
• 고정된 가중치를 가진 GCN보다 도로 네트워크 내에서 노드 간 및 에지 간 상호작용을 더 효과적으로 포착하는 것.
• 다양한 이웃 범위에 걸쳐 주의를 학습함으로써 다중 척도의 공간 상관관계를 모델링하는 것.
• 이성분 그래프 컨볼루션 메커니즘을 통해 이질적인 공간 상관 패턴을 통합함으로써 예측 정확도를 향상시키는 것.
• 실제 교통 예측 벤치마크에서 최신 기술 성능을 달성하는 것.

제안 방법

• 교통 센서 간의 물리적 도로 네트워크 거리를 기반으로 노드 간의 공간적 밀접도를 표현하는 노드 기반 그래프를 구축한다.
• 유량 상관관계나 혼잡도 전파와 같은 도로 세그먼트 간 상호작용 패턴을 포착하는 에지 기반 그래프를 구축한다.
• 메시지 전달을 통해 노드 및 에지 특징의 표현을 동시에 모델링하고 업데이트하는 이성분 그래프 컨볼루션을 적용한다.
• 다양한 이웃 범위에서의 특징에 대해 적응적으로 가중치를 할당하는 다중 범위 주의 메커니즘을 도입하여 장거리 상관관계 모델링을 향상시킨다.
• 다중 범위 주의 특징을 결합하기 위해 게이트 메커니즘을 사용하여 관련된 공간적 맥락을 동적으로 선택한다.
• 미래의 교통 속도 또는 차량 수를 예측하기 위해 시공간 손실 함수를 사용하여 엔드 투 엔드 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 고정된 사전 정의된 그래프 구조를 초월하여 교통 네트워크의 공간 상관관계를 어떻게 모델링할 수 있는가?
• RQ2 노드 중심 모델링에 비해 에지 중심 상호작용 패턴은 교통 예측 성능에 얼마나 기여하는가?
• RQ3 다중 범위 주의 메커니즘은 장거리 및 단거리 공간 상관관계를 동시에 효과적으로 포착할 수 있는가?
• RQ4 이성분 그래프 컨볼루션 메커니즘은 기존 GCN에 비해 특징 표현 학습을 어떻게 향상시키는가?
• RQ5 제안된 MRA-BGCN 모델은 실세계 교통 예측 벤치마크에서 뛰어난 성능을 달성하는가?

주요 결과

• MRA-BGCN는 METR-LA 데이터셋에서 최신 기술 성능을 달성하여 MAE 및 RMSE 지표에서 이전 방법들을 모두 능가한다.
• PEMS-BAY 데이터셋에서 MRA-BGCN는 비교된 모든 모델 중에서 가장 낮은 MAE와 RMSE를 기록하여 일관된 우수성을 입증한다.
• 제거 실험 결과, 다중 범위 주의와 이성분 그래프 컨볼루션 구성 요소가 성능 향상에 크게 기여하는 것으로 확인되었다.
• 모델은 다양한 예측 시간 간격에서 뛰어난 안정성을 보이며, 단기, 중기, 장기 예측 모두에서 예측 정확도 향상이 일관되게 관찰되었다.
• 모델이 학습한 주의 가중치는 주요 고속도로를 따라 혼잡도가 전파되는 등 의미 있는 공간 패턴을 명확히 드러낸다.
• 에지 기반 그래프 구축 방식은 물리적 거리 외부의 비트레이스러운 교통 상호작용 패턴을 포착하여 일반화 능력을 향상시켰다.