[论文解读] Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution

Fuxian Li, Jie Feng+4 more|arXiv (Cornell University)|Apr 30, 2021

Traffic Prediction and Management Techniques被引用 4

一句话总结

该论文提出了一种新型框架——动态图卷积递归网络（DGCRN），通过超网络在每个时间步生成动态图拓扑，以建模交通网络中不断变化的空间依赖关系。通过融合学习得到的动态图与静态图，并优化RNN训练效率，DGCRN在三个基准数据集上实现了最先进性能，优于15种基线模型，且基于标准化基准和新数据集实现了公平评估。

ABSTRACT

Traffic prediction is the cornerstone of an intelligent transportation system. Accurate traffic forecasting is essential for the applications of smart cities, i.e., intelligent traffic management and urban planning. Although various methods are proposed for spatio-temporal modeling, they ignore the dynamic characteristics of correlations among locations on road networks. Meanwhile, most Recurrent Neural Network (RNN) based works are not efficient enough due to their recurrent operations. Additionally, there is a severe lack of fair comparison among different methods on the same datasets. To address the above challenges, in this paper, we propose a novel traffic prediction framework, named Dynamic Graph Convolutional Recurrent Network (DGCRN). In DGCRN, hyper-networks are designed to leverage and extract dynamic characteristics from node attributes, while the parameters of dynamic filters are generated at each time step. We filter the node embeddings and then use them to generate a dynamic graph, which is integrated with a pre-defined static graph. As far as we know, we are the first to employ a generation method to model fine topology of dynamic graph at each time step. Further, to enhance efficiency and performance, we employ a training strategy for DGCRN by restricting the iteration number of decoder during forward and backward propagation. Finally, a reproducible standardized benchmark and a brand new representative traffic dataset are opened for fair comparison and further research. Extensive experiments on three datasets demonstrate that our model outperforms 15 baselines consistently.

研究动机与目标

• 为解决静态或自适应邻接矩阵在捕捉交通网络中动态空间相关性方面的局限性。
• 通过在训练期间限制解码器迭代次数，提升基于RNN的交通预测模型的效率与性能。
• 建立可复现的标准化基准，并提供一个新的代表性交通数据集，以实现不同方法间公平比较。
• 整合基于距离的静态图与基于属性的动态图，以增强空间依赖性建模。
• 证明动态图生成在提升长程与短程交通预测精度方面的有效性。

提出的方法

• 超网络基于节点属性在每个时间步生成动态图滤波参数，实现时变空间建模。
• 通过过滤节点嵌入并将它们与预定义的静态图集成，构建动态图拓扑。
• 在前向与反向传播过程中采用受限迭代策略，提升训练效率而不损失性能。
• 模型采用序列到序列架构，结合门控循环单元（GRUs）进行时间建模，并通过调度采样加以改进。
• 节点嵌入从空间与时间特征中学习，超网络中的图神经网络（GNN）捕捉高阶空间依赖性。
• 动态图生成器端到端训练，联合优化空间与时间表征学习。

实验结果

研究问题

• RQ1 与静态或自适应图相比，每个时间步动态图构建是否能提升交通预测精度？
• RQ2 动态图与静态图的融合在捕捉复杂时空依赖性方面对性能有何影响？
• RQ3 基于超网络的动态滤波生成对建模实时交通相关性变化有何影响？
• RQ4 在训练期间限制RNN解码器迭代次数对效率与预测性能有何影响？
• RQ5 所提出的基准与数据集在多大程度上实现了不同模型间公平且可复现的评估？

主要发现

• DGCRN在三个数据集上均优于15种最先进基线模型，在MAE与RMSE指标上表现出一致优越性。
• 动态图生成机制显著提升了长程预测性能，尤其在与静态图结合时效果更明显。
• DGCRN的最优隐藏状态维度约为64，更高值则出现过拟合。
• 在NE-BJ数据集中，节点嵌入维度为80–100时性能最佳，表明更高复杂度需要更丰富的表征。
• 超网络中GNN的维度需平衡——过高易导致过拟合，而16–32维度可提供最优增益。
• 在METR-LA数据集上，调度采样的衰减步长为4000时性能最佳，证实了超参数调优的重要性。