[論文レビュー] Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks

Marcus Kalander, Min Zhou+3 more|arXiv (Cornell University)|Sep 17, 2020

Traffic Prediction and Management Techniques参考文献 35被引用数 7

ひとこと要約

本稿では、Spatio-Temporal Hybrid Graph Convolutional Network（STHGCN）を提案する。このモデルは、空間的近接性、機能的類似性、最近の傾向類似性の3種類のグラフを用いて動的および静的空間的依存関係をモデル化し、GRUを用いて多スケールの時間的パターンを捉える。実際の通信トラフィックデータセット上で評価された結果、SOTAモデルを上回り、RMSEおよびMAEの両面で一貫した改善を示した。5G時代のトラフィック予測において、優れた精度、耐障害性、安定性を示した。

ABSTRACT

Telecommunication networks play a critical role in modern society. With the arrival of 5G networks, these systems are becoming even more diversified, integrated, and intelligent. Traffic forecasting is one of the key components in such a system, however, it is particularly challenging due to the complex spatial-temporal dependency. In this work, we consider this problem from the aspect of a cellular network and the interactions among its base stations. We thoroughly investigate the characteristics of cellular network traffic and shed light on the dependency complexities based on data collected from a densely populated metropolis area. Specifically, we observe that the traffic shows both dynamic and static spatial dependencies as well as diverse cyclic temporal patterns. To address these complexities, we propose an effective deep-learning-based approach, namely, Spatio-Temporal Hybrid Graph Convolutional Network (STHGCN). It employs GRUs to model the temporal dependency, while capturing the complex spatial dependency through a hybrid-GCN from three perspectives: spatial proximity, functional similarity, and recent trend similarity. We conduct extensive experiments on real-world traffic datasets collected from telecommunication networks. Our experimental results demonstrate the superiority of the proposed model in that it consistently outperforms both classical methods and state-of-the-art deep learning models, while being more robust and stable.

研究の動機と目的

• セルラー通信網のトラフィックにおける複雑な空間時間的依存関係を調査すること。特に、人口が密集した都市部における課題に焦点を当てる。
• 既存のモデルでしばしば無視される、基地局間の静的および動的空間的相関をモデル化する課題に対処すること。
• 多スケールの時間的パターン（最近、毎日、毎週）と多様な空間的依存関係を同時に捉える統合されたディープラーニングフレームワークを構築すること。
• 5Gネットワーク計画およびリソース割り当てのためのトラフィック予測の精度と耐障害性を向上させること。

提案手法

• モデルは、最近、毎日周期的、毎週周期的パターンの3つの異なる時間的要因における時間的依存関係を学習するために、ゲート付き再帰ユニット（GRUs）を採用している。
• ハイブリッドグラフ畳み込みネットワーク（GCN）は、空間的近接性、機能的類似性、最近の傾向類似性の3種類の空間的グラフを統合し、静的および動的空間的相関を捉える。
• 3種類のグラフタイプは、履歴トラフィックデータから学習され、統合されたアーキテクチャで統合され、空間的特徴表現が豊かにされる。
• モデルは、複数の予測先行時間におけるRMSEおよびMAEを最適化するマルチヘッド損失関数を用いてエンドツーエンドで訓練される。
• 時間スライシングが入力シーケンスに適用され、周期的な時間的パターンを保持することで、モデルの周期的行動の学習能力が向上する。
• 外部特徴（例：時刻、曜日）が補助入力として組み込まれ、一般化性能の向上に寄与するが、安定したデータセットではその影響は限定的である。

実験結果

リサーチクエスチョン

• RQ1 セルラー通信網のトラフィックにおける時間的パターンは、異なる時間スケール（最近、毎日、毎週）でどのように変化するか？
• RQ2 基地局間の空間的依存関係は、時間経過とともにどの程度動的変化を示し、効果的にモデル化できるか？
• RQ3 近接性、機能、傾向の複数のタイプの空間的関係を統合したハイブリッドGCNアーキテクチャは、静的または単一タイプのグラフモデルに比べ、予測性能を向上させられるか？
• RQ4 GRUとハイブリッドGCNの統合は、古典的および最先端のディープラーニングモデルと比較して、精度、耐障害性、安定性の観点で優れているか？

主な発見

• STHGCNは、CellularHZおよびAbileneの両データセットで、すべての指標および予測先行時間において最高の性能を達成した。CellularHZの4ステップ先予測タスクにおいて、2番目に優れたモデルに比べ、RMSEが15%低く、MAEが7%低かった。
• 機能的類似性と最近の傾向類似性の両方のグラフを組み込むことで、空間的近接性のみを用いた場合に比べ、RMSEが3%低減され、MAEが9%低減された。
• 時間スライシングを削除すると性能が著しく低下し、入力データにおける周期的時間的パターンを保持することが重要であることが確認された。
• 繰り返し実験における標準偏差が低く抑えられており、ベースラインのディープラーニングモデルに比べ、より高い耐障害性と安定性を示した。
• 外部特徴の追加はわずかな改善しかもたらさなかったため、コアアーキテクチャ自体が非常に効果的であり、補助入力に過度に依存していないことが示唆された。
• STHGCNは、空間的依存関係を捉えられていないため、性能が著しく劣る一変量時系列モデルを常に上回った。