[论文解读] DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting

Binqing Wu, Ling Chen|arXiv (Cornell University)|Jul 2, 2023

Traffic Prediction and Management Techniques被引用 4

一句话总结

该论文提出DSTCGCN，一种动态时空交叉图卷积网络，通过基于FFT的注意力选择器和动态交叉图构建模块，联合建模交通预测中时变的空间与时间依赖关系。该方法在六个真实世界数据集上实现了最先进性能，通过学习自适应、稀疏且有向的交叉依赖关系，无需依赖静态先验知识。

ABSTRACT

Traffic forecasting is essential to intelligent transportation systems, which is challenging due to the complicated spatial and temporal dependencies within a road network. Existing works usually learn spatial and temporal dependencies separately, ignoring the dependencies crossing spatial and temporal dimensions. In this paper, we propose DSTCGCN, a dynamic spatial-temporal cross graph convolution network to learn dynamic spatial and temporal dependencies jointly via graphs for traffic forecasting. Specifically, we introduce a fast Fourier transform (FFT) based attentive selector to choose relevant time steps for each time step based on time-varying traffic data. Given the selected time steps, we introduce a dynamic cross graph construction module, consisting of the spatial graph construction, temporal connection graph construction, and fusion modules, to learn dynamic spatial-temporal cross dependencies without pre-defined priors. Extensive experiments on six real-world datasets demonstrate that DSTCGCN achieves the state-of-the-art performance.

研究动机与目标

• 解决现有STGNN在建模交通网络中动态、时变时空交叉依赖关系方面的局限性。
• 克服依赖静态图（如距离或相似度矩阵）的缺陷，这些静态图无法捕捉动态演变的空间与时间关系。
• 提出一种方法，通过可学习、稀疏且有向的图融合机制，联合建模动态空间与时间依赖关系。
• 通过注意力机制仅选择相关时间步，降低计算复杂度，同时保持高预测精度。
• 在多样化的真实世界数据集中，验证动态交叉依赖关系在提升交通预测性能方面的有效性。

提出的方法

• 基于FFT的注意力选择器动态识别每个时间步最相关的历史时间步，依据时变交通数据，减少时间邻居数量和计算负载。
• 动态交叉图构建模块以有向且稀疏的方式融合时变空间图与时间连接图，以建模交叉依赖关系。
• 空间图基于传感器之间学习到的动态相关性构建，捕捉超越固定距离的非几何隐藏空间关系。
• 时间连接图建模时间步之间的时变依赖关系，注意力权重通过FFT计算，以优先关注相关的历史时段。
• 融合模块通过可学习、稀疏的图卷积机制结合空间与时间分量，保留动态的跨维度依赖关系。
• 模型通过标准回归损失在交通流与速度预测任务上端到端训练，无需预定义的静态先验知识。

Figure 1: Architecture of DSTCGCN. (a) Main calculation process of DSTCGCN using GRU as the backbone. (b) Choosing process of relevant traffic data via the FFT-based attentive selector with the selected indices $\boldsymbol{I}_{\text{sel}}$ and relevant weights $\boldsymbol{W}_{\text{sel}}$ . (c) Dy

实验结果

研究问题

• RQ1 基于快速傅里叶变换的注意力机制能否有效识别用于交通预测的动态相关时间步？
• RQ2 无需依赖静态图先验的动态交叉图构建模块能否学习到时变的时空依赖关系？
• RQ3 联合建模动态空间与时间交叉依赖关系是否相比使用静态或独立依赖关系的模型能提升预测精度？
• RQ4 DSTCGCN在大规模交通网络中如何平衡计算效率与预测性能？
• RQ5 该模型能否捕捉在基于距离的图中未体现的隐藏非几何空间相关性？

主要发现

• DSTCGCN在六个真实世界交通预测数据集上达到最先进性能，在MAE与RMSE指标上均优于现有SOTA方法。
• 在PEMS07数据集上，DSTCGCN的MAE为20.37，低于ASTGCN（24.01）、STSGCN（25.51）和TraverseNet（21.99），且参数量更少。
• 该模型仅包含900,858个参数，且在PEMS07上的每轮训练时间为3.83分钟，显著优于TraverseNet（6.01分钟/轮）和STSGCN（5.52分钟/轮）。
• 在METR-LA上的案例研究显示，学习到的动态空间矩阵同时捕捉了几何与隐藏空间相关性，且依赖关系随时间动态演变。
• 基于FFT的注意力机制成功识别出高相关性时间步（如某一周期内的第3、11、4号时间步），证明了其对动态时间依赖关系的建模能力。
• 动态交叉图构建模块通过保持稀疏性并避免时空全连接，降低了过拟合风险。

Figure 2: FFT-based attentive selector with temporal normalization.