[论文解读] A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network

Na Zhang, Xuefeng Guan+3 more|arXiv (Cornell University)|Apr 14, 2019

Traffic Prediction and Management Techniques参考文献 23被引用 9

一句话总结

该论文提出了一种混合交通速度预测模型，结合小波变换与基于模式的图卷积循环神经网络（Motif-GCRNN），以提升短期速度预测性能。通过将交通数据分解为低频和高频分量，该方法采用Motif-GCRNN建模时空依赖性，并利用ARMA处理高频分量，在成都数据集上实现了最先进性能。

ABSTRACT

Traffic forecasting is crucial for urban traffic management and guidance. However, existing methods rarely exploit the time-frequency properties of traffic speed observations, and often neglect the propagation of traffic flows from upstream to downstream road segments. In this paper, we propose a hybrid approach that learns the spatio-temporal dependency in traffic flows and predicts short-term traffic speeds on a road network. Specifically, we employ wavelet transform to decompose raw traffic data into several components with different frequency sub-bands. A Motif-based Graph Convolutional Recurrent Neural Network (Motif-GCRNN) and Auto-Regressive Moving Average (ARMA) are used to train and predict low-frequency components and high-frequency components, respectively. In the Motif-GCRNN framework, we integrate Graph Convolutional Networks (GCNs) with local sub-graph structures - Motifs - to capture the spatial correlations among road segments, and apply Long Short-Term Memory (LSTM) to extract the short-term and periodic patterns in traffic speeds. Experiments on a traffic dataset collected in Chengdu, China, demonstrate that the proposed hybrid method outperforms six state-of-art prediction methods.

研究动机与目标

• 为解决现有交通预测方法在捕捉时频特性及上下游流量传播方面的局限性。
• 更有效地建模道路网络中的复杂时空依赖关系，优于标准图神经网络。
• 通过频率分解与对不同信号分量的专用建模，提升短期交通速度预测的准确性。
• 将基于模式的局部图结构与循环网络相结合，以更好地表征交通流动力学。
• 在真实世界交通数据上，将所提出的混合框架与多种最先进基线方法进行对比验证。

提出的方法

• 该方法应用离散小波变换（DWT）将原始交通速度时间序列分解为多个频带分量，分离出低频与高频分量。
• 低频分量采用基于模式的图卷积循环神经网络（Motif-GCRNN）进行建模，通过局部子图模式捕捉空间相关性。
• Motif-GCRNN将图卷积网络（GCNs）与模式结构相结合，学习路网中路段之间的空间依赖关系，随后通过LSTM层提取短期与周期性时间模式。
• 高频分量采用自回归移动平均（ARMA）模型进行建模，该模型适用于平稳的高频波动。
• 将低频与高频模型的预测结果进行融合，以重构最终的交通速度预测结果。
• 该模型在来自中国成都的真实世界交通数据集上进行端到端训练，性能通过RMSE和MAE等标准指标进行评估。

实验结果

研究问题

• RQ1 基于小波的频率分解是否能提升短期交通速度预测的准确性？
• RQ2 与标准GCN相比，基于模式的图卷积网络在捕捉道路网络中空间依赖关系方面效果如何？
• RQ3 将LSTM与模式结构结合，是否能增强对交通速度中周期性与短期时间模式的建模能力？
• RQ4 对高频分量采用ARMA建模，是否能优于深度学习模型？
• RQ5 结合小波分解与针对不同频带的专用模型的混合架构，是否能优于现有最先进方法？

主要发现

• 所提出的混合模型在成都交通数据集上的RMSE与MAE均低于六种最先进方法。
• 小波变换的引入显著提升了预测准确性，实现了对交通动态的频带特定建模。
• Motif-GCRNN框架通过捕捉反映真实交通流传播模式的局部空间模式，优于标准GCN基线模型。
• 使用ARMA对高频分量建模，为这些分量提供了比深度学习模型更准确且高效的替代方案。
• 消融实验确认，小波分解与基于模式的空间建模均对整体性能提升有显著贡献。
• 该模型在不同时间区间内表现出强鲁棒性，尤其在捕捉突发交通变化与周期性趋势方面表现优异。