[论文解读] DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting

Yanjun Qin, Yuchen Fang+3 more|arXiv (Cornell University)|Dec 4, 2021

Traffic Prediction and Management Techniques被引用 6

一句话总结

该论文提出DMGCRN，一种动态多图卷积循环网络，通过双图建模交通数据中的局部（基于距离）和远程（基于结构）空间依赖关系，同时利用注意力机制动态加权分层传感器区域。该方法在三个真实世界交通数据集上优于最先进方法，通过集成图卷积与门控循环单元，有效捕捉时空动态特性。

ABSTRACT

Traffic forecasting is a problem of intelligent transportation systems (ITS) and crucial for individuals and public agencies. Therefore, researches pay great attention to deal with the complex spatio-temporal dependencies of traffic system for accurate forecasting. However, there are two challenges: 1) Most traffic forecasting studies mainly focus on modeling correlations of neighboring sensors and ignore correlations of remote sensors, e.g., business districts with similar spatio-temporal patterns; 2) Prior methods which use static adjacency matrix in graph convolutional networks (GCNs) are not enough to reflect the dynamic spatial dependence in traffic system. Moreover, fine-grained methods which use self-attention to model dynamic correlations of all sensors ignore hierarchical information in road networks and have quadratic computational complexity. In this paper, we propose a novel dynamic multi-graph convolution recurrent network (DMGCRN) to tackle above issues, which can model the spatial correlations of distance, the spatial correlations of structure, and the temporal correlations simultaneously. We not only use the distance-based graph to capture spatial information from nodes are close in distance but also construct a novel latent graph which encoded the structure correlations among roads to capture spatial information from nodes are similar in structure. Furthermore, we divide the neighbors of each sensor into coarse-grained regions, and dynamically assign different weights to each region at different times. Meanwhile, we integrate the dynamic multi-graph convolution network into the gated recurrent unit (GRU) to capture temporal dependence. Extensive experiments on three real-world traffic datasets demonstrate that our proposed algorithm outperforms state-of-the-art baselines.

研究动机与目标

• 解决现有交通预测模型在捕捉邻近传感器之外的长程空间相关性方面的局限性。
• 通过建模动态空间关系，克服传统图卷积网络中静态空间依赖假设的局限。
• 通过分层分组邻居并应用动态注意力权重，而非完整自注意力机制，提升效率与准确性。
• 将动态多图卷积与门控循环单元集成，实现时空依赖关系的联合建模。

提出的方法

• 构建基于距离的图，用于建模物理上接近传感器之间的空间相关性。
• 引入从时空模式中学习得到的潜在图，以捕捉功能角色相似的远距离传感器之间的结构相似性。
• 根据相对空间关系，将每个传感器的邻居划分为四个粗粒度区域，以实现分层建模。
• 应用可学习掩码矩阵的动态图卷积，为不同区域分配时变注意力权重，捕捉演化的空间依赖关系。
• 将动态多图卷积模块集成到门控循环单元（GRU）中，以建模时间动态特性。
• 使用融合模块，结合来自距离图和潜在图的表征，生成最终预测结果。

实验结果

研究问题

• RQ1 同时建模局部与远程空间相关性是否能提升交通预测的准确性？
• RQ2 如何在静态邻接矩阵之外，有效捕捉交通网络中的动态空间依赖关系？
• RQ3 基于分层区域的注意力是否能在计算成本更低的前提下，优于全局自注意力机制？
• RQ4 将动态多图卷积与循环单元集成，能在多大程度上提升时空预测性能？

主要发现

• DMGCRN在三个真实世界交通预测基准数据集（METR-LA、PEMS03和PEMS05）上达到最先进性能。
• 消融实验表明，引入潜在图显著优于基线模型，证实了建模远程空间相关性的有效性。
• 通过注意力实现的动态区域加权优于固定聚合方法（如最大值或平均值），证明了时变空间注意力的重要性。
• 采用可学习掩码矩阵的模型进一步提升了性能，表明对邻居区域实现了有效的自适应加权。
• 可视化结果表明，潜在图成功捕捉了功能相似的传感器（如具有相似角色的交叉路口），且工作日与周末的注意力权重存在显著差异。