[论文解读] DeepTransport: Learning Spatial-Temporal Dependency for Traffic Condition Forecasting

Xingyi Cheng, Ruiqing Zhang+2 more|arXiv (Cornell University)|Sep 27, 2017

Traffic Prediction and Management Techniques参考文献 25被引用 20

一句话总结

DeepTransport 提出了一种端到端的深度学习框架，通过结合卷积神经网络（CNN）建模空间宽度和长短期记忆网络（LSTM）建模时间深度，并引入注意力机制对齐空间与时间特征，从而对交通预测中的时空依赖关系进行建模。该方法在大规模真实世界交通数据集上显著优于传统统计方法和最先进深度学习方法。

ABSTRACT

Predicting traffic conditions has been recently explored as a way to relieve traffic congestion. Several pioneering approaches have been proposed based on traffic observations of the target location as well as its adjacent regions, but they obtain somewhat limited accuracy due to a lack of mining road topology. To address the effect attenuation problem, we suggest taking into account the traffic of surrounding locations(wider than the adjacent range). We propose an end-to-end framework called DeepTransport, in which Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN) are utilized to obtain spatial-temporal traffic information within a transport network topology. In addition, an attention mechanism is introduced to align spatial and temporal information. Moreover, we constructed and released a real-world large traffic condition dataset with a 5-minute resolution. Our experiments on this dataset demonstrate our method captures the complex relationship in the temporal and spatial domains. It significantly outperforms traditional statistical methods and a state-of-the-art deep learning method.

研究动机与目标

• 通过建模超出邻近位置的复杂时空依赖关系，提升交通状况预测的准确性。
• 解决现有方法依赖狭窄空间范围、难以捕捉道路网络中长程拓扑关系的局限性。
• 开发一种端到端的深度学习框架，联合学习时间动态与空间拓扑结构，无需人工设计特征。
• 发布一个大规模真实世界交通数据集，具有5分钟时间分辨率，以支持未来交通预测研究。

提出的方法

• 采用双序列架构：使用卷积神经网络（CNN）对多个邻近层级的周围位置之间的空间关系进行建模（空间宽度），并使用带有长短期记忆（LSTM）单元的循环神经网络对时间演化过程进行建模（时间深度）。
• 引入注意力机制，动态加权不同空间与时间特征的重要性，使模型能够聚焦于网络中相关的交通模式。
• 将道路网络视为一个拓扑图，其中每个位置为一个节点，交通状况作为这些节点上的时间序列数据进行建模。
• 采用沙漏状类比：上游交通通过低阶邻居影响目标区域，而下游拥堵则由高阶源累积形成，该机制指导注意力权重的分配。
• 在原始交通观测数据上端到端训练模型，无需依赖人工构建的统计特征。
• 利用来自移动地图应用的数百万条5分钟分辨率真实世界交通记录，构建一个具有时空属性的交通网络结构数据集。

实验结果

研究问题

• RQ1 建模超出直接邻近位置的交通依赖关系是否能提升复杂城市网络中的预测准确性？
• RQ2 如何通过深度学习架构有效捕捉交通数据中的时空依赖关系？
• RQ3 引入一种对齐空间与时间特征的注意力机制，在多大程度上能提升预测性能？
• RQ4 统一的深度学习框架是否能在长时预测任务中超越经典统计模型和先前的深度学习方法？

主要发现

• 在所有预测时长下，DeepTransport 在均方根误差（RMSE）方面显著优于传统统计方法（如 ARIMA）和最先进深度学习模型（如 SAEs 和 FNN）。
• 在高峰时段，该模型的 RMSE 低于基线模型，且在更长预测时长（如60分钟）下性能差距进一步扩大，表明其具备优越的长期预测能力。
• 在早高峰和晚高峰期间，DeepTransport 的误差最低，尤其在60分钟预测中表现突出，体现出在高非线性和拥堵条件下的鲁棒性。
• 交通高峰过后，DeepTransport 比其他模型更准确地预测了拥堵的缓解过程，这对实时路径规划至关重要。
• 注意力机制有效凸显了相关联的空间与时间依赖关系，对低阶上游位置赋予更高注意力，对高阶下游区域也赋予较高注意力，与交通流动力学一致。
• 发布的 MapBJ 数据集包含数百万条5分钟分辨率的真实交通记录，覆盖实际交通网络，为未来交通预测研究提供了宝贵的基准。