[论文解读] AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting

Jiawei Zhu, Chao Tao+5 more|arXiv (Cornell University)|Nov 22, 2020

Traffic Prediction and Management Techniques参考文献 34被引用 17

一句话总结

本文提出AST-GCN，一种新颖的时空图卷积网络，通过将静态（如POI分布）和动态（如天气）外部属性整合到交通预测中，实现更精准的预测。通过将这些属性建模为动态与静态特征，并利用属性增强单元进行特征融合，AST-GCN在多个数据集和预测时域上均优于基线模型，显著提升了预测准确率与可解释性。

ABSTRACT

Traffic forecasting is a fundamental and challenging task in the field of intelligent transportation. Accurate forecasting not only depends on the historical traffic flow information but also needs to consider the influence of a variety of external factors, such as weather conditions and surrounding POI distribution. Recently, spatiotemporal models integrating graph convolutional networks and recurrent neural networks have become traffic forecasting research hotspots and have made significant progress. However, few works integrate external factors. Therefore, based on the assumption that introducing external factors can enhance the spatiotemporal accuracy in predicting traffic and improving interpretability, we propose an attribute-augmented spatiotemporal graph convolutional network (AST-GCN). We model the external factors as dynamic attributes and static attributes and design an attribute-augmented unit to encode and integrate those factors into the spatiotemporal graph convolution model. Experiments on real datasets show the effectiveness of considering external information on traffic forecasting tasks when compared to traditional traffic prediction methods. Moreover, under different attribute-augmented schemes and prediction horizon settings, the forecasting accuracy of the AST-GCN is higher than that of the baselines.

研究动机与目标

• 解决传统交通预测模型未能有效整合影响交通状态的外部因素的局限性。
• 通过将静态（如POI密度）和动态（如天气）属性建模为时空学习过程的一部分，提升预测准确率。
• 通过显式编码与融合外部属性，增强模型在图卷积框架下的可解释性。
• 通过扰动分析验证模型在噪声数据条件下的鲁棒性与泛化能力。
• 通过消融研究与关键转折点及峰值处的预测性能可视化，验证属性增强的有效性。

提出的方法

• 将道路网络建模为空间图，其中节点代表道路路段，边代表空间连通性。
• 引入属性增强单元，分别对静态属性（如POI类型与数量）和动态属性（如天气状况）进行编码，并作为额外输入特征。
• 在输入图卷积层前，通过可学习注意力机制或拼接方式，将属性嵌入与交通流量特征进行融合。
• 应用图卷积网络（GCNs）捕捉空间依赖关系，并利用门控循环单元（GRUs）在增强特征空间中建模时间动态。
• 采用多头注意力机制，动态加权不同属性在预测过程中的重要性。
• 在真实世界交通数据集上，使用平均绝对误差（MAE）与均方误差（MSE）损失函数端到端训练模型。

实验结果

研究问题

• RQ1 整合静态与动态外部属性是否能提升时空交通预测的准确性？
• RQ2 静态属性（如POI分布）与动态属性（如天气）在单独及联合使用时，对预测性能的影响如何？
• RQ3 AST-GCN模型在噪声数据条件下是否表现出良好的泛化能力，体现其鲁棒性？
• RQ4 模型在捕捉短期与长期交通趋势方面表现如何，特别是在转折点与峰值处？
• RQ5 外部属性在多大程度上增强了模型预测交通拥堵或速度骤降等关键事件的能力？

主要发现

• AST-GCN在多个数据集上均显著优于基线模型，MAE与RMSE指标均有显著提升。
• 静态与动态属性的联合使用表现最佳，表明多样化外部信息可有效增强预测能力。
• 模型在高斯噪声与泊松噪声条件下均表现出鲁棒性，性能在不同噪声水平下均保持稳定。
• 长期预测（如60分钟时域）的误差高于短期预测（如15分钟时域），表明模型对短程依赖关系捕捉更佳。
• 可视化结果表明，采用属性增强的预测结果在转折点与峰值处更接近真实值，尤其在同时使用静态与动态属性时效果更显著。
• 消融研究显示，引入外部属性的模型在捕捉交通速度突变方面显著优于无外部属性的模型。