[論文レビュー] Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting

Chuanpan Zheng, Xiaoliang Fan+6 more|arXiv (Cornell University)|Nov 25, 2021

Traffic Prediction and Management Techniques参考文献 48被引用数 8

ひとこと要約

本稿では、時系列の各ステップにおけるノード間の動的で包括的な空間時系列相関を、適応的かつ事前定義された空間時系列共同グラフ（STJG）を構築することでモデル化する、新しいグラフニューラルネットワークアーキテクチャであるSpatio-Temporal Joint Graph Convolutional Networks（STJGCN）を提案する。長距離依存性を捉えるためにドレインドカausal畳み込みとマルチレンジアテンション機構を採用し、5つの公開交通予測データセットにおいて、高い計算効率を実現しながら最先端の性能を達成した。

ABSTRACT

Recent studies have shifted their focus towards formulating traffic forecasting as a spatio-temporal graph modeling problem. Typically, they constructed a static spatial graph at each time step and then connected each node with itself between adjacent time steps to create a spatio-temporal graph. However, this approach failed to explicitly reflect the correlations between different nodes at different time steps, thus limiting the learning capability of graph neural networks. Additionally, those models overlooked the dynamic spatio-temporal correlations among nodes by using the same adjacency matrix across different time steps. To address these limitations, we propose a novel approach called Spatio-Temporal Joint Graph Convolutional Networks (STJGCN) for accurate traffic forecasting on road networks over multiple future time steps. Specifically, our method encompasses the construction of both pre-defined and adaptive spatio-temporal joint graphs (STJGs) between any two time steps, which represent comprehensive and dynamic spatio-temporal correlations. We further introduce dilated causal spatio-temporal joint graph convolution layers on the STJG to capture spatio-temporal dependencies from distinct perspectives with multiple ranges. To aggregate information from different ranges, we propose a multi-range attention mechanism. Finally, we evaluate our approach on five public traffic datasets and experimental results demonstrate that STJGCN is not only computationally efficient but also outperforms 11 state-of-the-art baseline methods.

研究の動機と目的

• 異なる時刻ステップにおけるノード間のクロス空間時系列相関を明示的にモデル化できない既存の空間時系列グラフモデルの限界を解消すること。
• 従来の手法における隣接行列の静的特性に起因する、時間とともに変化する動的空間時系列相関を無視する問題を克服すること。
• 多段階交通予測の両空間的および時系列的次元にわたる長距離依存性を捉える、計算効率の高いディープラーニングフレームワークを構築すること。
• 時間的・空間的次元で道路ネットワークセンサー間の包括的かつ動的な相互作用をモデル化することで、交通予測の精度を向上させること。

提案手法

• 異なる時刻ステップ間のノード間の動的で包括的な相関をモデル化するため、事前定義済みおよび適応的空間時系列共同グラフ（STJG）を構築する。
• 複数の時間的範囲にわたる依存性を、異なる受容 field を持つ拡張された因果的空間時系列共同グラフ畳み込み層で捉える。
• 異なる範囲の時間的および空間的近隣からの情報を集約するマルチレンジアテンション機構を採用し、特徴表現を強化する。
• MAE、RMSE、MAPEのバランスを取るために学習可能な重みβを用いたハイブリッド損失関数を適用し、訓練のロバスト性を向上させる。
• PeMSD4ではカーネルサイズK=3、PeMSD8ではK=2を適用し、受容 field のサイズを最適化し、過剰なコンテキストによるノイズを回避する。
• データ駆動型および適応的グラフ学習コンponent のバランスを取るために、ハイパーパrameter δ_pdf と δ_adt を調整し、各データセットで最適なパフォーマンスを達成する。

実験結果

リサーチクエスチョン

• RQ1 異なる時刻ステップにおけるノード間の包括的空間時系列相関をモデル化することで、交通予測の精度が向上するか？
• RQ2 動的で適応的な空間時系列共同グラフを用いることで、固定された時間的接続に比べて、進化する交通パターンをどれほど効果的に捉えられるか？
• RQ3 拡張畳み込みとマルチレンジアテンション機構は、交通予測における長距離依存性モデル化をどの程度向上させるか？
• RQ4 提案されたSTJGCNは、予測精度、モデルサイズ、推論速度のトレードオフにおいて、最先端手法と比較して優れた性能を発揮するか？

主な発見

• STJGCNは、5つの公開交通予測データセットにおいて、全予測ホライズンでMAE、RMSE、MAPEの観点から11の最先端ベースライン手法を上回った。
• PeMSD4データセットでは、MAEが2.34、RMSEが3.81、MAPEが10.21%を達成し、Graph WaveNet や GMAN を顕著に上回った。
• PeMSD8データセットでは、MAEが2.51、RMSEが4.03、MAPEが10.89%を達成し、異なる道路ネットワークにわたる強力な一般化性能を示した。
• 計算効率が高く、ほとんどのベースラインよりパラメータ数が少なく、推論速度でも速い。STSGCN や AGCRN を除き、最も速い部類に属する。
• PeMSD4ではカーネルサイズKが3を超えると、PeMSD8ではKが2を超えると性能が低下し、大きな受容 field がノイズを導入し効果性を低下させることが示された。
• 最適なハイパーパrameterは、PeMSD4ではδ_pdf=0.5、δ_adt=0.5、β=1.0、PeMSD8ではδ_pdf=0.5、δ_adt=0.3、β=1.5であり、損失成分のバランスを最適化して最良の一般化性能を達成した。