[论文解读] Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction

Peng Xie, Minbo Ma+5 more|arXiv (Cornell University)|Apr 6, 2022

Traffic Prediction and Management Techniques被引用 4

一句话总结

该论文提出STDGRL，一种时空动态图关系学习模型，能够捕捉各个地铁站点独特的交通模式，并在不依赖固定邻接矩阵的情况下学习动态空间依赖关系。通过整合节点特定嵌入、动态空间关系学习以及基于Transformer的长期时间模块，STDGRL在四个真实世界地铁数据集上实现了最先进性能，在多步流量预测任务中超越11个基线模型。

ABSTRACT

Urban metro flow prediction is of great value for metro operation scheduling, passenger flow management and personal travel planning. However, it faces two main challenges. First, different metro stations, e.g. transfer stations and non-transfer stations, have unique traffic patterns. Second, it is challenging to model complex spatio-temporal dynamic relation of metro stations. To address these challenges, we develop a spatio-temporal dynamic graph relational learning model (STDGRL) to predict urban metro station flow. First, we propose a spatio-temporal node embedding representation module to capture the traffic patterns of different stations. Second, we employ a dynamic graph relationship learning module to learn dynamic spatial relationships between metro stations without a predefined graph adjacency matrix. Finally, we provide a transformer-based long-term relationship prediction module for long-term metro flow prediction. Extensive experiments are conducted based on metro data in Beijing, Shanghai, Chongqing and Hangzhou. Experimental results show the advantages of our method beyond 11 baselines for urban metro flow prediction.

研究动机与目标

• 为解决以往研究中对不同地铁站点（如换乘站与非换乘站）的交通模式处理方式趋同的问题，旨在建模各站点独特的交通行为模式。
• 学习随时间演变的地铁站点间动态空间依赖关系，而非依赖静态或预定义的图结构。
• 通过捕捉超越短期预测的复杂时间关系，实现准确的长期地铁流量预测。
• 通过联合建模节点特定模式与演化的时空关系，提升模型泛化能力与预测准确性。

提出的方法

• 引入时空节点嵌入表示模块，基于历史进出站流量数据，为每个地铁站点学习其独特的交通模式。
• 提出动态图关系学习（DSRL）模块，无需使用固定邻接矩阵，自动学习站点之间的演化空间依赖关系。
• 采用基于Transformer的长期时间建模模块，捕捉长程时间依赖关系，以支持多步流量预测。
• 将节点特定嵌入、动态空间关系与时间建模整合到一个端到端可训练框架中，实现联合优化。
• 架构结合GCN类消息传递机制与注意力机制，根据动态邻居关系自适应更新节点表示。
• 引入新颖的节点感知位置学习（NAPL）组件，通过编码站点特定的时间动态特性，增强表示学习能力。

实验结果

研究问题

• RQ1 模型是否能有效捕捉不同类型地铁站点（如换乘站与非换乘站）的独特交通模式，而无需全局共享参数？
• RQ2 如何建模随时间演变的地铁站点间动态空间依赖关系，而非依赖静态图结构？
• RQ3 与基于RNN或GRU的替代方案相比，基于Transformer的模块在多长时间范围内的地铁流量预测中能带来多大程度的性能提升？
• RQ4 各组件（节点嵌入、动态图学习、时间建模）对整体预测性能的贡献程度如何？

主要发现

• STDGRL在四个真实世界地铁数据集（北京、上海、重庆、杭州）上全面超越11个最先进基线模型，展现出卓越的泛化能力与预测准确性。
• 在SHMetro数据集中，STDGRL-GRU-Transformer在15分钟预测中MAE达到23.9464，显著低于GCGRU(T-GCN)基线的47.3206，表明性能有显著提升。
• 消融实验表明，移除NAPL组件导致性能下降最大，凸显了建模站点特定交通模式的重要性。
• 同时集成GRU与Transformer模块的完整STDGRL模型表现最佳，证明结合短期与长期时间建模策略的有效性。
• 动态空间关系学习模块在性能上显著优于静态图基线，证实了自适应图结构的必要性。
• 在BJMetro数据集中，STDGRL实现60分钟MAPE为0.8663，而GCGRU(T-GCN)基线为4.6435，展现出强大的长期预测能力。