[论文解读] CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting

Yuchen Fang, Yanjun Qin+5 more|arXiv (Cornell University)|Dec 6, 2021

Traffic Prediction and Management Techniques被引用 9

一句话总结

CDGNet 提出了一种基于跨时间动态图的 GCN 模型，通过门控机制强制实现稀疏且符合实际的时空相关性，捕捉每个时间片内的空间依赖关系以及跨历史时间片的时空依赖关系。该模型通过建模道路网络中的长程时间传播效应，在三个真实世界交通预测数据集上实现了最先进性能。

ABSTRACT

Traffic forecasting is important in intelligent transportation systems of webs and beneficial to traffic safety, yet is very challenging because of the complex and dynamic spatio-temporal dependencies in real-world traffic systems. Prior methods use the pre-defined or learnable static graph to extract spatial correlations. However, the static graph-based methods fail to mine the evolution of the traffic network. Researchers subsequently generate the dynamic graph for each time slice to reflect the changes of spatial correlations, but they follow the paradigm of independently modeling spatio-temporal dependencies, ignoring the cross-time spatial influence. In this paper, we propose a novel cross-time dynamic graph-based deep learning model, named CDGNet, for traffic forecasting. The model is able to effectively capture the cross-time spatial dependence between each time slice and its historical time slices by utilizing the cross-time dynamic graph. Meanwhile, we design a gating mechanism to sparse the cross-time dynamic graph, which conforms to the sparse spatial correlations in the real world. Besides, we propose a novel encoder-decoder architecture to incorporate the cross-time dynamic graph-based GCN for multi-step traffic forecasting. Experimental results on three real-world public traffic datasets demonstrate that CDGNet outperforms the state-of-the-art baselines. We additionally provide a qualitative study to analyze the effectiveness of our architecture.

研究动机与目标

• 解决现有方法在捕捉交通网络中长程、滞后驱动的空间依赖关系方面的局限性。
• 不仅建模每个时间片内的动态空间相关性，还建模跨时间的动态相关性，反映现实世界中交通事件的传播延迟。
• 通过引入可学习门控机制对交通图中的非物理连接进行剪枝，减少噪声，实现稀疏化。
• 设计一种编码器-解码器架构，有效整合跨时间动态图卷积，用于多步预测。
• 与最先进基线方法相比，在真实世界交通数据集上展示出更优越的性能。

提出的方法

• CDGNet 引入了一种跨时间动态图卷积网络（CDGCN），计算每个时间片与其历史时间片之间的空间相关性，建模交通影响的时间传播。
• 该模型使用可学习门控机制剪枝跨时间动态图中的非必要边，使稀疏性与现实世界交通相关性模式保持一致。
• 提出一种新颖的编码器-解码器架构，将 CDGCN 集成于编码器中以建模历史依赖关系，同时在解码器中使用 CDGCN-ED 结合跨时间空间注意力机制预测未来时间步。
• CDGCN 使用多头自注意力机制计算跨时间传感器之间的动态边权重，捕捉随时间演变的空间关系。
• 模型通过在多步预测任务上使用 MAE、RMSE 和 MAPE 损失函数进行端到端训练。
• 对深度（L）、注意力头数量（h）和头维度（d_h）进行超参数调优，最优设置为 L=3，h=8，d_h=8。

实验结果

研究问题

• RQ1 建模跨时间空间依赖关系是否能超越仅依赖单时间片内空间建模，提升多步交通预测的准确性？
• RQ2 引入时间传播效应（如延迟的交通扩散）对预测性能有何影响？
• RQ3 对动态图进行稀疏化在多大程度上能提升交通预测中的模型性能与泛化能力？
• RQ4 所提出的结合跨时间 GCN 的编码器-解码器架构是否优于使用静态图或每时间片独立动态图的标准架构？
• RQ5 该模型对关键超参数（如网络深度、注意力头数量、头维度）的敏感性如何？

主要发现

• CDGNet 在三个基准数据集（METR-LA、PEMS-Bay 和 PEMS04）上均达到最先进性能，在所有预测时 Horizon 上的 MAE、RMSE 和 MAPE 指标上均优于 SOTA 方法。
• 消融实验表明，将 CDGCN 替换为静态图（Basic）会导致性能下降，证实了动态、时间感知空间建模的优势。
• SAtt（空间自注意力）优于 Basic，表明数据驱动的动态图比基于距离的静态图更有效。
• DGCN（动态 GCN）优于 SAtt，证明学习动态图相比基于注意力的方法更具优势。
• CDGCN 显著优于 DGCN，证明跨时间空间依赖在捕捉滞后效应中的重要性。
• 可视化结果表明，CDGNet 正确识别了延迟相关性（例如，传感器 9 后续影响传感器 29），而 SAtt 和 DGCN 未能捕捉此类时间传播现象。