[论文解读] 3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting

Bing Yu, Mengzhang Li+2 more|arXiv (Cornell University)|Mar 3, 2019

Traffic Prediction and Management Techniques参考文献 19被引用 42

一句话总结

本文提出 3D-TGCN，一种时空图神经网络，学习道路之间的时序相似性以构建时序邻接图，并在不依赖预定义的空间图的情况下执行 3D 图卷积以预测交通速度。

ABSTRACT

Spatio-temporal prediction plays an important role in many application areas especially in traffic domain. However, due to complicated spatio-temporal dependency and high non-linear dynamics in road networks, traffic prediction task is still challenging. Existing works either exhibit heavy training cost or fail to accurately capture the spatio-temporal patterns, also ignore the correlation between distant roads that share the similar patterns. In this paper, we propose a novel deep learning framework to overcome these issues: 3D Temporal Graph Convolutional Networks (3D-TGCN). Two novel components of our model are introduced. (1) Instead of constructing the road graph based on spatial information, we learn it by comparing the similarity between time series for each road, thus providing a spatial information free framework. (2) We propose an original 3D graph convolution model to model the spatio-temporal data more accurately. Empirical results show that 3D-TGCN could outperform state-of-the-art baselines.

研究动机与目标

• 在复杂的时空动态和有限可靠的空间拓扑信息条件下，推动准确的交通预测。
• 提出基于时序相似性的数据驱动图构建方法，以捕捉跨路段的模式。
• 开发一个 3D 图卷积架构，联合学习时空依赖关系。
• 证明时序相似性图在真实世界数据集上可以超越传统空间邻接的表现。

提出的方法

• 通过对道路时间序列应用 Dynamic Time Warping (DTW) 构造时序相似性图，并将每条道路连接到其最相似的若干道路。
• 开发一个 3D 图卷积操作，在单层中联合聚合空间邻居和时间窗口。
• 堆叠多个 3D 图卷积块，结合层归一化和 GLU 激活，形成端到端网络。
• 采用结合 L2 和 L1 的损失进行训练，使用 Adam 优化器，针对短期交通预测区间。
• 在真实世界数据集 PeMSD7 和 PEMS-BAY 上与基线进行对比评估，比较 STGCN、DCRNN 以及其他模型。

实验结果

研究问题

• RQ1 通过学习道路之间的时序邻接而非空间邻接，交通速度预测是否可以得到改进？
• RQ2 将空间和时间信息融合在一起的 3D 图卷积是否比将这两个维度分离处理的模型具有更好的性能？
• RQ3 在现实交通网络规模下，纯粹数据驱动、无空间信息的图构建是否可行？
• RQ4 与最先进的基线相比，3D-TGCN 在短期和长期预测任务中的表现如何？

主要发现

• 3D-TGCN 在两个大型真实世界数据集上实现了最先进的性能，而不需要空间拓扑图。
• 基于时序相似性的图（DTW）在建模道路关系以进行预测方面优于传统的空间邻接。
• 3D 图卷积层可联合捕捉时空依赖关系，且在某些基于 RNN 的方法下训练和收敛速度更快。
• 在 PeMSD7 和 PEMS-BAY 上，3D-TGCN 在短期和较长时域的预测精度都表现强劲，在若干设置中超过了如 STGCN、DCRNN 等基线。
• 由于其图学习和联合 3D 卷积设计，该模型具有扩展性，可适用于除交通预测之外的其他时空任务。