[논문 리뷰] Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting

Song Yang, Jiamou Liu외 1명|arXiv (Cornell University)|2021. 09. 11.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 고정된 시간 창 내의 근접한 센서를 조합하여 국소적 시공간 맥락을 모델링함으로써 교통 흐름의 보편적인 시공간 상관관계를 포착하는 국소 시공간 신경망(STNN)을 제안한다. 새로운 시공간 합성곱 및 주의 메커니즘을 사용하여, 최신 기술 대비 4% 높은 예측 정확도를 달성하고, 아키텍처 재설계 없이도 미리 보지 못한 도로 네트워크로도 일반화된다.

ABSTRACT

Traffic flow forecasting is a crucial task in urban computing. The challenge arises as traffic flows often exhibit intrinsic and latent spatio-temporal correlations that cannot be identified by extracting the spatial and temporal patterns of traffic data separately. We argue that such correlations are universal and play a pivotal role in traffic flow. We put forward {spacetime interval learning} as a paradigm to explicitly capture these correlations through a unified analysis of both spatial and temporal features. Unlike the state-of-the-art methods, which are restricted to a particular road network, we model the universal spatio-temporal correlations that are transferable from cities to cities. To this end, we propose a new spacetime interval learning framework that constructs a local-spacetime context of a traffic sensor comprising the data from its neighbors within close time points. Based on this idea, we introduce local spacetime neural network (STNN), which employs novel spacetime convolution and attention mechanism to learn the universal spatio-temporal correlations. The proposed STNN captures local traffic patterns, which does not depend on a specific network structure. As a result, a trained STNN model can be applied on any unseen traffic networks. We evaluate the proposed STNN on two public real-world traffic datasets and a simulated dataset on dynamic networks. The experiment results show that STNN not only improves prediction accuracy by 4% over state-of-the-art methods, but is also effective in handling the case when the traffic network undergoes dynamic changes as well as the superior generalization capability.

연구 동기 및 목표

• 기존 GNN 기반 교통 예측 모델이 특정 도로 네트워크 구조에 제한되는 문제를 해결한다.
• 네트워크 구조에 의존하지 않는 내재적이고 보편적인 교통 흐름의 시공간 상관관계를 포착한다.
• 전역 그래프 합성곱이나 고정된 네트워크 구조에 의존하지 않는 확장성 있고 일반화 가능한 모델을 개발한다.
• 전역 의존성 대신 국소적 시공간 맥락을 모델링하여 변화하는 도로 네트워크에서 효과적인 예측을 가능하게 한다.
• 공간적 및 시간적 교통 사건 간의 시간에 따라 변화하는 상관관계를 명시적으로 학습하여 예측 정확도를 향상시킨다.

제안 방법

• 공간과 시간 차원을 통합된 시공간 다양체로 융합하는 시공간 간격 학습 철학을 제안한다.
• 고정된 시간 창 내의 인접한 센서를 사용하여 각 타겟 센서에 대한 국소적 시공간 맥락을 구성하며, 수신 영역과 유사하다.
• 1차원 합성곱을 양 차원에서 동시에 사용하여 공간적 이웃과 시간 단계를 동시에 처리하는 시공간 합성곱 블록을 설계한다.
• 공간과 시간에 걸쳐 영향을 미치는 과거 사건들을 동적으로 가중하는 시공간 주의 메커니즘을 도입하여 핵심 기여 교통 사건을 부각시킨다.
• 공간적 근접성과 시간적 순서 학습을 위한 별도의 합성곱 레이어를 적용하여 공간적 및 시간적 모델링을 분리한다.
• 모델의 확장성을 확보하기 위해 계산 복잡도를 전체 네트워크 크기와는 무관하게 국소적 시공간 맥락 크기만에 의존하도록 한다.

실험 결과

연구 질문

• RQ1 분리된 공간적 및 시간적 모델링 대신 통합된 시공간 표현을 통해 교통 흐름의 시공간 상관관계를 효과적으로 포착할 수 있는가?
• RQ2 한 도시에서 훈련된 모델이 재학습 없이도 아키텍처 변경 없이도 새로운 도로 네트워크로 일반화되는 정도는 어느 정도인가?
• RQ3 전역 그래프 기반 방법과 비교해 국소적 시공간 맥락을 모델링함으로써 예측 정확도는 얼마나 향상되는가?
• RQ4 제안된 시공간 주의 메커니즘은 예측에 관련된 시간적·공간적 중요 교통 사건을 식별하고 우선순위를 정할 수 있는가?
• RQ5 도로 연결성 또는 센서 가용성의 변화와 같은 동적 네트워크 조건에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 STNN는 실세계 데이터셋 두 개(METR-LA 및 PeMS-Bay)에서 최신 기술 대비 4% 높은 예측 정확도를 달성한다.
• 모델는 재학습이나 아키텍처 수정 없이도 새로운 도로 네트워크로 직접 적용 가능한 뛰어난 일반화 성능을 보인다.
• 제거 실험 결과 시공간 주의 및 시공간 합성곱 블록이 가장 핵심적인 구성 요소임을 확인하였으며, 특히 후자가 성능 향상에 가장 기여한다.
• 모델는 시뮬레이션된 동적 네트워크에서도 높은 성능을 유지하여 네트워크 위상 변화에 대한 강건성을 입증한다.
• STNN의 계산 복잡도는 전체 네트워크 크기에 따라 달라지지 않고 국소적 시공간 맥락 크기만에 의존하므로 매우 확장 가능하다.
• 모델의 학습 가능한 파라미터 수(308,786)는 STGCN(454,358) 및 MTGCN(405,452)보다 적어 더 효율적인 파라미터 설계임을 시사한다.