[论文解读] Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

Mengzhang Li, Zhanxing Zhu|arXiv (Cornell University)|Dec 15, 2020

Traffic Prediction and Management Techniques参考文献 22被引用 68

一句话总结

STFGNN 通过构建数据驱动的时序图网络，将其与时 spatial 图在统一的融合图中融合，并使用门控扩张卷积来捕捉用于交通流预测的长程模式。

ABSTRACT

Spatial-temporal data forecasting of traffic flow is a challenging task because of complicated spatial dependencies and dynamical trends of temporal pattern between different roads. Existing frameworks typically utilize given spatial adjacency graph and sophisticated mechanisms for modeling spatial and temporal correlations. However, limited representations of given spatial graph structure with incomplete adjacent connections may restrict effective spatial-temporal dependencies learning of those models. To overcome those limitations, our paper proposes Spatial-Temporal Fusion Graph Neural Networks (STFGNN) for traffic flow forecasting. SFTGNN could effectively learn hidden spatial-temporal dependencies by a novel fusion operation of various spatial and temporal graphs, which is generated by a data-driven method. Meanwhile, by integrating this fusion graph module and a novel gated convolution module into a unified layer, SFTGNN could handle long sequences. Experimental results on several public traffic datasets demonstrate that our method achieves state-of-the-art performance consistently than other baselines.

研究动机与目标

• 推动并解决在交通预测中使用固定空间图和分离的时空建模的局限性。

提出的方法

• 使用 fast-DTW 生成数据驱动的时序图以捕捉时间相似性。
• 通过整合 Spatial Graph A_SG、Temporal Graph A_TG 和 Temporal Connectivity A_TC 构建 Spatial-Temporal Fusion Graph (A_STFG)。
• 使用对 A_STFG 进行图乘法运算且带门控线性单元的 STFGN 模块来学习局部/全局依赖关系。
• 结合具有大时间膨胀的门控 CNN 模块，以拓宽感受野，捕捉长程依赖。
• 使用 Huber 损失和 Adam 优化器进行训练；堆叠多个 STFGN 层以加深模型。

实验结果

研究问题

• RQ1 数据驱动的时序图是否能够提升对时空依赖关系的学习，超越给定的空间邻接图？
• RQ2 将空间、时间相似性和时序连通性图融合是否能提高预测准确性，相对于现有方法？
• RQ3 与 STFGN 模块一起的门控扩张卷积是否能够有效捕捉长程时空依赖？
• RQ4 与基线方法相比，STFGNN 在多个真实世界交通数据集上的表现如何？

主要发现

• STFGNN 在四个公开数据集（PEMS03、PEMS04、PEMS07、PEMS08）上持续优于基线。
• 通过 fast-DTW 构建的数据驱动时序图（A_TG）捕捉到在给定空间图中不存在的隐藏时间相关性。
• 将 A_SG、A_TG 和 A_TC 融入 A_STFG，使得同时建模局部和全局时空相关性成为可能。
• 门控扩张卷积扩大了时间感受野，帮助长程依赖学习。
• 消融研究表明更大的 A_STFG 和 A_TG 的适当稀疏性可提升 MAE、MAPE 和 RMSE；门控卷积进一步改善性能。