[论文解读] DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting

Kyung‐Eun Lee, Wonjong Rhee|arXiv (Cornell University)|May 29, 2019

Traffic Prediction and Management Techniques被引用 4

一句话总结

DDP-GCN 提出了一种多图卷积网络，通过整合距离、方向和位置关系作为空间依赖性，用于时空交通速度预测。通过使用图结构元素和分区滤波器对这些非欧几里得关系进行建模，该方法在复杂城市网络的长期预测中实现了显著的性能提升，尤其在高峰时段表现突出。

ABSTRACT

Traffic speed forecasting is one of the core problems in transportation systems. For a more accurate prediction, recent studies started using not only the temporal speed patterns but also the spatial information on the road network through the graph convolutional networks. Even though the road network is highly complex due to its non-Euclidean and directional characteristics, previous approaches mainly focused on modeling the spatial dependencies using the distance only. In this paper, we identify two essential spatial dependencies in traffic forecasting in addition to distance, direction and positional relationship, for designing basic graph elements as the fundamental building blocks. Using the building blocks, we suggest DDP-GCN (Distance, Direction, and Positional relationship Graph Convolutional Network) to incorporate the three spatial relationships into deep neural networks. We evaluate the proposed model with two large-scale real-world datasets, and find positive improvements for long-term forecasting in highly complex urban networks. The improvement can be larger for commute hours, but it can be also limited for short-term forecasting.

研究动机与目标

• 解决现有基于 GCN 的交通预测模型仅依赖欧几里得距离作为空间依赖性的局限性。
• 识别并整合两种非欧几里得空间依赖性——方向和位置关系——到基于图的深度学习交通预测框架中。
• 构建一种多图卷积框架，有效编码复杂的道路网络拓扑结构，包括方向流动性和空间邻近性。
• 提升在传统模型难以应对的高度复杂城市环境中长期交通速度预测的准确性。
• 通过消融研究，探究每种空间依赖性的贡献以及架构组件（如分区滤波器）的影响。

提出的方法

• 定义三种不同的图结构元素：距离（W_D）、方向（W_θ）和位置关系（W_P），每种代表一种不同的空间依赖性。
• 构建一个多图卷积网络，其中每个图结构元素独立处理后，通过堆叠架构进行融合。
• 引入分区滤波器 T_M 和 T'_M，将方向和基于距离的图划分为具有相似特性的子组件，以增强表征学习能力。
• 使用 K-多项式 ChebNet 实现图上的信息传递，堆叠的多图设计替代了对大 K-跳卷积的依赖。
• 应用残差连接和门控机制以捕捉长程时间依赖性，实现时间建模与空间图学习的融合。
• 使用历史速度序列进行端到端训练，优化未来时间步的预测准确性。

实验结果

研究问题

• RQ1 与仅基于距离的建模相比，非欧几里得空间依赖性（方向和位置关系）对交通速度预测准确性有何影响？
• RQ2 使用独立的空间图元素（距离、方向、位置关系）的多图卷积是否能在长期交通预测中超越单图或 K-跳 GCN 基线模型？
• RQ3 通过消融研究衡量，每种空间依赖性（距离、方向、位置关系）对模型性能的相对贡献如何？
• RQ4 分区滤波器如何提升在有向道路网络中空间关系的建模能力？
• RQ5 堆叠式多图设计是否在长期预测中优于标准 K-跳 GCN 卷积，尤其在复杂场景下？

主要发现

• DDP-GCN 在两个大规模真实世界城市数据集上显著提升了长期交通速度预测性能，尤其在通勤高峰时段表现突出。
• 消融研究显示，移除位置关系图结构元素导致性能下降最大，表明其在建模空间依赖性中起着关键作用。
• 将方向或位置关系图替换为仅基于距离的图会导致性能下降，证实仅依赖距离不足以应对复杂城市路网。
• 分区滤波器的使用始终能提升模型性能，证明其在细化空间图表示方面的有效性。
• DDP-GCN(Stacked) 即使在 K-跳 GCN 模型使用更大 K 值的情况下，仍优于后者，表明堆叠不同的空间图元素比通过增加 K-跳来扩大感受野更有效。
• 该模型在短期预测中改善有限，表明其主要优势在于建模复杂城市路网中的长程空间与时间依赖性。