[论文解读] Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting

Lei Bai, Lina Yao+3 more|arXiv (Cornell University)|Jul 6, 2020

Traffic Prediction and Management Techniques参考文献 46被引用 697

一句话总结

本文提出 AGCRN，一种自适应框架，学习节点特定的 GCN 参数和数据驱动图，以在没有预定义空间图的情况下预测多步交通，提升准确性，领先于最先进方法。

ABSTRACT

Modeling complex spatial and temporal correlations in the correlated time series data is indispensable for understanding the traffic dynamics and predicting the future status of an evolving traffic system. Recent works focus on designing complicated graph neural network architectures to capture shared patterns with the help of pre-defined graphs. In this paper, we argue that learning node-specific patterns is essential for traffic forecasting while the pre-defined graph is avoidable. To this end, we propose two adaptive modules for enhancing Graph Convolutional Network (GCN) with new capabilities: 1) a Node Adaptive Parameter Learning (NAPL) module to capture node-specific patterns; 2) a Data Adaptive Graph Generation (DAGG) module to infer the inter-dependencies among different traffic series automatically. We further propose an Adaptive Graph Convolutional Recurrent Network (AGCRN) to capture fine-grained spatial and temporal correlations in traffic series automatically based on the two modules and recurrent networks. Our experiments on two real-world traffic datasets show AGCRN outperforms state-of-the-art by a significant margin without pre-defined graphs about spatial connections.

研究动机与目标

• 激励学习节点特异性模式，超越 GCN 中共享参数，用于交通数据。
• 通过从数据中推断关系，消除对手工构造的邻接图的依赖。
• 将节点自适应 GCN 与循环网络整合，以捕捉时空动态。
• 提供端到端可训练的模块，提升多步交通预测性能。

提出的方法

• 提出节点自适应参数学习（NAPL），从一个小的节点嵌入和一个共享权重池生成节点特定的 GCN 参数。
• 提出数据自适应图生成（DAGG），通过学习的节点嵌入和 Softmax-ReLU 归一化推断节点之间的依赖关系，形成数据驱动的邻接表示。
• 将 NAPL 和 DAGG 与基于 GRU 的循环骨干网络整合，形成 AGCRN，在各层之间共享统一的节点嵌入。
• 堆叠 AGCRN 层以进行多步预测，并通过线性层对输出进行投影。
• 使用 Adam 优化器，针对未来 τ 步的 L1 损失进行端到端训练。

实验结果

研究问题

• RQ1 节点特异性参数化是否能提升基于 GCN 的交通预测，相较于共享参数的 GCN？
• RQ2 是否可以在不依赖预定义图的情况下，直接从数据推断空间依赖关系，同时保持预测准确性？
• RQ3 将节点嵌入在自适应模块之间统一，是否能提升性能和可解释性？
• RQ4 AGCRN 在真实世界数据集上的多步交通预测相较于现有基线的表现如何？
• RQ5 嵌入维度对性能和模型复杂度的影响是什么？

主要发现

模型	数据集	MAE	RMSE	MAPE
HA	PeMSD4	38.03	59.24	27.88%
HA	PeMSD8	34.86	52.04	24.07%
VAR	PeMSD4	24.54	38.61	17.24%
VAR	PeMSD8	19.19	29.81	13.10%
GRU-ED	PeMSD4	23.68	39.27	16.44%
GRU-ED	PeMSD8	22.00	36.23	13.33%
DSANet	PeMSD4	22.79	35.77	16.03%
DSANet	PeMSD8	17.14	26.96	11.32%
DCRNN	PeMSD4	21.22	33.44	14.17%
DCRNN	PeMSD8	16.82	26.36	10.92%
STGCN	PeMSD4	21.16	34.89	13.83%
STGCN	PeMSD8	17.50	27.09	11.29%
ASTGCN	PeMSD4	22.93	35.22	16.56%
ASTGCN	PeMSD8	18.25	28.06	11.64%
STSGCN	PeMSD4	21.19	33.65	13.90%
STSGCN	PeMSD8	17.13	26.86	10.96%
AGCRN	PeMSD4	19.83	32.26	12.97%
AGCRN	PeMSD8	15.95	25.22	10.09%

• AGCRN 在 PeMSD4 和 PeMSD8 上，在 MAE、RMSE、MAPE 的 12 个预测步长上超过最先进基线，取得显著提升（例如在 PeMSD4 上将 MAE 降至 19.83，在 PeMSD8 上降至 15.95）。
• 消融研究表明节点特异性模式（NAPL）和数据驱动图（DAGG）各自带来改进，DAGG 与统一嵌入带来显著收益。
• 该模型在两个数据集上相对于最强基线，在 MAE 和 MAPE 上实现超过 5% 的相对改进。
• DAGG 分析表明 自信息项（身份）很重要，学习到的图与 Chebyshev 基 GCN 的特性相似，且性能与预定义图相近。
• 嵌入维度约为 10 时提供稳健的性能，平衡表达能力与过拟合风险。