[论文解读] A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Yujiao Song+2 more|arXiv (Cornell University)|Jun 20, 2020

Traffic Prediction and Management Techniques参考文献 32被引用 18

一句话总结

该论文提出A3T-GCN，一种新颖的交通预测模型，结合图卷积网络（GCN）建模空间依赖性，以及带有注意力机制的门控循环单元（GRU）捕捉全局时间动态。该模型在真实世界数据集上实现了最先进性能，相较于基线方法，在多个预测时长下RMSE降低最多1.31%，准确率提升最多0.48%。

ABSTRACT

Accurate real-time traffic forecasting is a core technological problem against the implementation of the intelligent transportation system. However, it remains challenging considering the complex spatial and temporal dependencies among traffic flows. In the spatial dimension, due to the connectivity of the road network, the traffic flows between linked roads are closely related. In terms of the temporal factor, although there exists a tendency among adjacent time points in general, the importance of distant past points is not necessarily smaller than that of recent past points since traffic flows are also affected by external factors. In this study, an attention temporal graph convolutional network (A3T-GCN) traffic forecasting method was proposed to simultaneously capture global temporal dynamics and spatial correlations. The A3T-GCN model learns the short-time trend in time series by using the gated recurrent units and learns the spatial dependence based on the topology of the road network through the graph convolutional network. Moreover, the attention mechanism was introduced to adjust the importance of different time points and assemble global temporal information to improve prediction accuracy. Experimental results in real-world datasets demonstrate the effectiveness and robustness of proposed A3T-GCN. The source code can be visited at https://github.com/lehaifeng/T-GCN/A3T.

研究动机与目标

• 为解决在城市交通预测中捕捉复杂时空依赖性的挑战。
• 基于道路网络拓扑结构，利用图卷积网络（GCN）建模空间相关性。
• 通过注意力机制捕捉超越短期趋势的长程时间动态。
• 在真实世界噪声环境下提升预测准确率与鲁棒性。
• 开发一种统一的深度学习框架，联合建模交通速度中的空间与全局时间模式。

提出的方法

• 道路网络被建模为图G = (V, E)，其中节点表示道路路段，边表示连通性。
• 通过邻接矩阵A，图卷积网络（GCN）在相连道路路段之间传播特征，以捕捉空间依赖性。
• 使用门控循环单元（GRU）对序列交通速度数据进行建模，以学习短期趋势。
• 引入注意力机制，动态加权不同历史时间步的重要性，实现全局时间特征聚合。
• 将GCN与GRU的输出进行融合，并通过最终的全连接层进行交通速度预测。
• 在真实世界交通速度数据集上，使用均方误差（MSE）损失进行端到端训练。

实验结果

研究问题

• RQ1 统一的深度学习模型能否有效捕捉交通预测中的空间依赖性与全局时间动态？
• RQ2 注意力机制的引入相较于标准RNN，在建模长程时间依赖性方面有何改进？
• RQ3 A3T-GCN在不同预测时长下，相较于GCN、GRU与T-GCN等现有方法，在预测准确率方面提升程度如何？
• RQ4 A3T-GCN在真实世界交通数据噪声干扰下（特别是高斯噪声与泊松噪声）的鲁棒性如何？
• RQ5 该模型能否准确捕捉交通模式，如高峰时段的开始与拥堵事件？

主要发现

• 在Los-loop数据集的30分钟预测时长下，A3T-GCN相较于T-GCN将RMSE降低1.31%，准确率提升0.48%。
• 在SZ-taxi数据集上，对于45分钟预测，A3T-GCN将RMSE降低约1.14%，准确率提升0.43%。
• 模型在噪声环境下表现出强鲁棒性，在不同水平的高斯噪声（σ ∈ {0.2, 0.4, 0.8, 1, 2}）与泊松噪声（λ ∈ {1, 2, 4, 8, 16}）下均保持稳定性能。
• 可视化结果证实，A3T-GCN能准确捕捉交通速度趋势，包括高峰时段模式与拥堵发生时间。
• 在所有评估指标与预测时长下，A3T-GCN均优于基线模型（包括HA、ARIMA、SVR、GCN、GRU与T-GCN）。
• 注意力机制显著增强了全局时间特征学习，表现为在所有时间时长下相较T-GCN均取得一致的性能提升。