[논문 리뷰] Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting

Aoyu Liu, Yaying Zhang|arXiv (Cornell University)|2022. 05. 18.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

이 논문은 상호작용 학습 전략과 동적 그래프 생성 모듈을 사용하여 교통 데이터 내 장거리 공간-시간 상관관계를 동시에 포착하는 공간-시간 상호작용 동적 그래프 컨볼루션 네트워크인 STIDGCN을 제안한다. 이 모델은 네 개의 실세계 데이터셋에서 최신 기술 대비 우수한 성능을 보이며, PEMS08에서 MAE(14.03), RMSE(23.35), MAPE(9.15%)의 낮은 오차를 기록한다.

ABSTRACT

Accurate traffic forecasting is essential for smart cities to achieve traffic control, route planning, and flow detection. Although many spatial-temporal methods are currently proposed, these methods are deficient in capturing the spatial-temporal dependence of traffic data synchronously. In addition, most of the methods ignore the dynamically changing correlations between road network nodes that arise as traffic data changes. We propose a neural network-based Spatial-Temporal Interactive Dynamic Graph Convolutional Network (STIDGCN) to address the above challenges for traffic forecasting. Specifically, we propose an interactive dynamic graph convolution structure, which divides the sequences at intervals and synchronously captures the traffic data's spatial-temporal dependence through an interactive learning strategy. The interactive learning strategy makes STIDGCN effective for long-term prediction. We also propose a novel dynamic graph convolution module to capture the dynamically changing correlations in the traffic network, consisting of a graph generator and fusion graph convolution. The dynamic graph convolution module can use the input traffic data and pre-defined graph structure to generate a graph structure. It is then fused with the defined adaptive adjacency matrix to generate a dynamic adjacency matrix, which fills the pre-defined graph structure and simulates the generation of dynamic associations between nodes in the road network. Extensive experiments on four real-world traffic flow datasets demonstrate that STIDGCN outperforms the state-of-the-art baseline.

연구 동기 및 목표

• 기존 모델에서 자주 산산이 찢어지는 경향이 있는 도시 교통 데이터 내 장거리 공간-시간 상관관계를 포착하는 데 도전한다.
• 정적 또는 사전 정의된 공간 그래프의 한계를 극복하여 시간에 따라 변화하는 교통 상관관계를 올바르게 표현하지 못하는 문제를 해결한다.
• 교통 사고 등에서 발생하는 공간 이질성, 동적 연관성, 불확실성 등의 숨겨진 공간 상관관계를 모델링한다.
• 예측 정확도를 유지하면서 계산 비용을 줄이는 효율적인 비자기적 아키텍처를 개발한다.

제안 방법

• 시간 컨볼루션과 그래프 컨볼루션을 동기화된 반복 방식으로 번갈아 적용하여 순서 간 특징 학습을 향상시키는 상호작용 동적 그래프 컨볼루션(IDGCN) 모듈을 제안한다.
• 입력 교통 데이터와 사전 지식(예: 도로 네트워크 구조)을 조합하여 시간에 따라 변화하는 인접 행렬을 생성하는 동적 그래프 생성 방법을 도입하여 미리 보지 못한 노드 간 연결을 발견한다.
• 상호작용 학습 블록 내에서 가중치 공유 DGCN 모듈을 사용하여 공간 수신장역을 확장하고 먼 노드 간 일반화 능력을 향상시킨다.
• 시간적 및 공간적 특징을 동시에 업데이트하는 동기화 학습 전략을 적용하여 순차적 종속성을 피하고 추론 속도를 향상시킨다.
• 동적 그래프 컨볼루션을 사전 정의된 초기 인접 행렬과 통합하여 구조적 사전 지식를 유지하면서도 공간 관계의 적응적 진화를 허용한다.
• 자기적 모델(예: ASTGNN)과 대비하여 계산 비용을 줄이는 비자기적 추론 메커니즘을 설계한다.

실험 결과

연구 질문

• RQ1 자기적 생성에 의존하지 않고도 상호작용 학습 전략이 교통 예측에서 장거리 공간-시간 상관관계를 효과적으로 포착할 수 있는가?
• RQ2 정적 또는 적응형 그래프와 비교해 동적 그래프 생성이 시간에 따라 변화하는 공간 상관관계 모델링에 어떻게 기여하는가?
• RQ3 성능과 계산 효율성의 균형을 고려할 때 교통 예측에서 최적의 상호작용 학습 단계 수는 얼마인가?
• RQ4 동적 그래프 생성 방법이 동적 연관성과 공간 이질성과 같은 숨겨진 공간 상관관계를 어느 정도 드러내는가?

주요 결과

• STIDGCN은 비교한 모든 베이스라인 중에서 PEMS08 데이터셋에서 가장 낮은 MAE(14.03), RMSE(23.35), MAPE(9.15%)를 기록한다.
• ASTGNN, STG-NCDE, Graph WaveNet과 같은 최신 기술 모델보다 정확도와 계산 효율성 양면에서 뛰어난 성능을 보인다.
• IDGCN 블록 내 가중치 공유 DGCN 모듈은 별도의 DGCN 모듈보다 더 우수한 성능을 보이며, 공유 수신장역이 특징 학습을 향상시킨다는 것을 시사한다.
• 상호작용 학습 단계 수를 2에서 1로 줄이면 성능이 떨어지며, 이는 두 번의 반복이 상관관계 포착에 최적임을 나타낸다.
• 2단계를 초과해 상호작용 단계를 늘일 경우 성능 저하가 발생하여 특징 정련 과정에서 과적합 또는 수익 감소 현상이 발생함을 시사한다.
• ASTGNN(44.48s/epoch, 23.70s)과 STG-NCDE(84.47s/epoch)에 비해 학습 시간(22.16s/epoch)과 추론 시간(2.43s)을 줄여 높은 효율성을 입증한다.